在6个月的时间内,共有70个属性被输入到这个卷积层。该块的输出同样是6个时间步的序列,但对于经常性块具有更丰富和有用的特性。3) 递归层:使用此块的主要原因是利用递归神经网络最重要的特性,即学习时间相关数据的时间信息。卷积块的输出是6个月内特征向量的序列。在这项工作中,长-短期记忆细胞与tanh激活被用于这一块。4) 输出层:由重复层生成的嵌入现在被馈送到一个完全连接的层,该层将使用输入序列的丰富表示来预测6个月前窗口中的重新运行。我们对神经元使用tanh激活。在复发性阻滞后,在dropoutlayer在场的情况下进行训练,以使模型更加稳健。B、 实验和结果在本文中,我们使用K-折叠交叉验证实现了一个深度学习框架来预测未来6个月窗口的收益率。该框架在第一轮中实现了0.155的SpearmanCorrelation和0.166的NDCG。C、 讨论该方法是预测半年收益率的端到端方案。该系统直接从过去一年的数据中学习到潜在空间的映射,这有助于预测收益。今后的工作可以在同一个平台上进行。1) 我们可以使用从股票互联网上的博客中获取的最新消息生成的情绪特征向量来预测回报2)预处理中的插补值可以用过去数据的平均值或中值来代替。九、 CROWDAI CHALLENGEFig。8.
|