Multi-period Learning for Financial Time Series Forecasting
Xu Zhang and Zhengang Huang and Yunzhi Wu and Xun Lu and Erpeng Qi and Yunkai Chen and Zhongya Xue and Qitong Wang and Peng Wang and Wei Wang
时间序列预测在金融领域很重要。 财务时间序列(TS)模式受到短期公众意见和中期/长期政策和市场趋势的影响。 因此,处理多周期投入对于准确的财务时间序列预测(TSF)至关重要。 然而,目前的TSF模型要么只使用单周期输入,要么缺乏用于解决多周期特征的定制设计。 在本文中,我们提出了一个多周期学习框架(MLF),以提高财务TSF绩效。 MLF考虑TSF的精度和效率要求。 具体来说,我们设计三个新模块以更好地集成多周期输入以提高准确性:(i) 周期间冗余过滤(IRF),用于精确自我关注建模,(ii)可学习加权平均集成(LWI),有效集成多周期预测,(iii)多周期自适应修补(MAP),通过设置相同的时间段来减轻对特定周期的偏差。 此外,我们提出了一个 Patch Squeeze 模块,以减少自注意力建模中的补丁数量,以实现最大化的效率。 MLF包含多个不同长度(周期)的输入,以实现更好的精度,并降低训练期间选择输入长度的成本。 代码和数据集可在https://github.com/Meteor-Stars/MLF上找到。
Time series forecasting is important in finance domain. Financial time series (TS) patterns are influenced by both short-term public opinions and medium-/long-term policy and market trends. Hence, processing multi-period inputs becomes crucial for accurate financial time series forecasting (TSF). However, current TSF models either use only single-period input, or lack customized designs for addressing multi-period characteristics. In this paper, we propose a Multi-period Learning Framework (MLF)...
