金融时间序列的数据驱动神经结构学习

    在反向传播过程中，使用权重衰减（0.0001）或最大范数（3.0）来调整我们的网络。在最终的网络微调过程中应用了类似的设置。由于FI-2010是一个不平衡的数据集，等式（6）中每个类的权重设置为与训练集中该类的样本数成反比。所有渐进式学习算法都采用了（4）和（5）中相同的终止标准。对于其他算法，可以从原始作品中找到实验设置。4.3结果表1显示了所有竞争算法的平均性能超过9倍。很明显，HeMLGOP在F1成绩方面表现最好，这反映了准确率和召回率之间的权衡。其他渐进式学习算法（S-ELM、BLS和PLN）获得了更高的准确率，但召回率非常低。由于不同运动之间的数据分布高度不平衡，准确性不能反映模型的质量。通过重新权衡不同类别造成的损失，HeMLGOP以相对较大的幅度优于所有其他基于向量的方法，与次优算法（N-BoF）相比，平均F1相差近8%。与旨在利用一长串过去信息的基于张量的方法相比，HeMLGOP在F1成绩上仍有近3%的差距。值得注意的是，MDA、MCSDA和WMTR的制定也考虑了类不平衡问题。表1：。FI-2010的预测性能（%）。

星号（*）表示在张量输入上操作的方法ModelsAccuracPrecisionRecallF1预测层位H=10RR[8]48.0041.8043.5041.00SLFN[8]64.3051.2036.6032.70LDA[16]63.8237.9345.8036.28S-ELM[15]89.3455.1734.5333.94BLS[3]89.4663.2233.6832.20PLN[1]87.6547.6039.3640.64BoF[9]57.5939.2651.4436.28N-BoF【9】62.7042.2861.4141.63MDA*【16】71.9244.2160.0746.06MCSDA*【16】83.6646.1148.0046.72MTR*【17】86.0851.6840.8140.14WMTR*[17]81.8946.2551.2947.87HeMLGOP83.0648.5750.6749.435。结论本文提出了一种基于限价订单数据的中间价变动预测方法。该方法基于一种基于训练数据自动确定金融时间序列预测神经网络结构的算法。实验结果表明，该方法优于相关方法，包括利用特权信息的多线性方法。参考文献【1】Saikat Chatterjee、Alireza M Javid、Mostafa Sadeghi、Partha P Mitra和Mikael Skoglund。2017年，大型神经网络系统设计的渐进式学习。arXiv预印本arXiv:1710.08177（2017）。[2] 黄光斌、秦玉柱和赵炯秀。极限学习机：理论与应用。神经计算70，1-3（2006），489–501。[3] CL Philip Chen和Zhulin Liu。2018年，广泛学习系统：一个高效的增量学习系统，无需深入架构。IEEE神经网络和学习系统学报29，1（2018），10–24。[4] S Rama Cont.2011年。高频财务数据的统计建模。IEEE信号处理杂志28，5（2011），16–25。[5] 迈克尔·凯恩、娜塔莉·普莱斯、马修·斯科奇和彼得·拉比诺维茨。2014年，ARIMA和随机森林时间序列模型预测禽流感H5N1疫情的比较。BMC生物信息学15，1（2014），276。

[6] Serkan Kiranyaz、Turker Ince、Alexandros Iosifidis和Moncef Gabbouj。2017年，渐进式操作感知机。神经计算224（2017），142–154。[7] Andy Liaw、Matthew Wiener和其他人。2002年，随机森林分类和回归。R新闻2，3（2002），18–22。[8] Adamantios Ntakaris、Martin Magris、Juho Kanniainen、Moncef Gabbouj和Alexandros Iosifidis。2017年，限价订单数据的中间价预测基准数据集。arXiv预印本arXiv:1705.03233（2017）。[9] N.Passalis、A.Tsantekidis、A.Tefas、J.Kanniainen、M.Gabbouj和A.Iosifidis，“使用神经特征袋的时间序列分类”，信号处理会议（EUSIPCO），2017年第25届欧洲会议，第301–305页，IEEE，2017年。[10] George C Tiao和George EP Box。1981年。使用应用程序建模多个时间序列。《美国统计协会杂志》76376（1981），802–816。[11] Dat Thanh Tran、Alexandros Iosifidis、Juho Kanniainen和Moncef Gabbouj。2018a。用于金融时间序列数据分析的时间注意力增强双线性网络。IEEE神经网络和学习系统学报（2018年）。[12] Dat Thanh Tran、Serkan Kiranyaz、Moncef Gabbouj和Alexandros Iosifidis。2018b。带记忆的渐进式操作感知器。arXiv预印本arXiv:1808.06377（2018）。[13] Avraam Tsantekidis、Nikolaos Passalis、Anastasios Tefas、Juho Kanniainen、Moncef Gabbouj和Alexandros Iosifidis。2017a。使用卷积神经网络从限价订单簿预测股票价格。《商业信息学》（CBI），2017年IEEE第19届会议，第1卷。IEEE，7–12。[14] Avraam Tsantekidis、Nikolaos Passalis、Anastasios Tefas、Juho Kanniainen、Moncef Gabbouj和Alexandros Iosifidis。2017年b。使用深度学习检测金融市场中的价格变化迹象。2017年第25届欧洲信号处理会议（EUSIPCO）。IEEE，2511–2515。

[15] 周洪明、黄光斌、林志平、王汉和苏永猜。2015。堆叠式极限学习机。IEEE控制论交易45，9（2015），2013-2025。[16] Dat Thanh Tran、Moncef Gabbouj和Alexandros Iosifidis。2017年，多线性类特异性判别分析。模式识别字母100（2017），131–136。[17] Dat Thanh Tran、Martin Magris、Juho Kanniainen、Moncef Gabbouj和Alexandros Iosifidis。2017年，用于价格变化预测的高频金融数据中的张量表示。在计算智能（SSCI）中，2017年IEEE研讨会系列。IEEE，1–7。[18] Luckyson Khaidem、Snehanshu Saha和Sudeepa Roy Dey。2016年，使用随机森林预测股市价格的方向。arXiv预印本arXiv:1605.00003（2016）。[19] Dat Thanh Tran、Serkan Kiranyaz、Moncef Gabbouj和Alexandros Iosifidis。异构多层广义操作感知器。arXiv预印本arXiv:1804.05093（2018）。[20] 巴雷特·佐夫和库克·沃勒。2016。强化学习神经架构搜索。arXiv预印本arXiv:1611.01578（2016）。