元-股票：面向子新股票价格预测的任务难度自适应元学习
摘要：子新股票价格预测：一种针对上市不到一年的新股票的价格趋势预测方法 我们提出了一种元学习方法：Meta-Stock，用于预测上市不到一年的新股票的价格。尽管深度学习方法在预测老股票价格方面表现出了很好的效果，但这些方法需要大量的训练数据集，而这些数据对于子新股票是不可得的。通过利用老股票的预测任务，我们的元学习方法旨在获取快速泛化能力，并将其进一步应用于子新股票的价格预测任务，从而解决了子新股票数据稀缺的问题。此外，我们通过引入一种适应不同任务难度的自适应学习策略，增强了元学习过程。通过小波变换，我们提取高频系数来体现股票价格的波动性，从而使元学习模型可以基于量化的波动性来分配梯度权重。通过对跨越22年的三个股票市场的数据集进行广泛实验证明，我们的Meta-Stock明显优于先前的方法，并在实际股票交易中具有强大的适用性。此外，我们还评估了任务难度的量化合理性和自适应学习策略的有效性。
作者：Linghao Wang, Zhen Liu, Peitian Ma, Qianli Ma
论文ID：2308.11117
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-08-23