A Set-Sequence Model for Time Series
Elliot L. Epstein, Apaar Sadhwani, Kay Giesecke
在许多金融预测问题中,单个单位(如贷款、债券或股票)的行为受到可观察单位级因素和宏观经济变量的影响,以及潜在的横断面效应的影响。 传统方法试图通过手工制作的摘要特征捕捉这些潜在效果。 我们提出了一个Set-Sequence模型,消除了对手工制作功能的需求。 Set 模型首先在每个时期学习共享的横截面摘要。 然后,序列模型会独立地摄取每个单元的摘要增强时间序列来预测其结果。 这两个组件在训练过程中通过任意集来共同学习。 我们的方法利用了横截面的设置性质,并且计算效率很高,相对于单位数量,线性时间生成集合摘要。 它还具有灵活性,允许使用现有的序列模型,并在推理时容纳可变数量的单位。 经验评估表明,我们的设定顺序模型显著优于股票回报预测和抵押贷款行为任务的基准。 代码将被释放。
In many financial prediction problems, the behavior of individual units (such as loans, bonds, or stocks) is influenced by observable unit-level factors and macroeconomic variables, as well as by latent cross-sectional effects. Traditional approaches attempt to capture these latent effects via handcrafted summary features. We propose a Set-Sequence model that eliminates the need for handcrafted features. The Set model first learns a shared cross-sectional summary at each period. The Sequence mod...