相关实验视频
EMAT:用于金融时间序列预测的增强多方面注意力转换器
Yingjun Chen1, Wenfeng Shen1, Han Liu1
1School of Computer and Information Engineering, Shanghai Polytechnic University, Shanghai 201209, China.
Entropy (Basel, Switzerland)
|October 28, 2025
概括
本研究介绍了用于股票市场预测的增强多方面变压器 (EMAT),改进了财务时间序列预测. EMAT有效地捕捉到复杂的市场动态,在准确性方面表现优于现有模型.
科学领域:
- 量化金融 量化金融
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 由于非静止性和复杂的依赖关系,金融时间序列预测具有挑战性.
- 传统方法与多面的市场动态 (如时间近距离,趋势和波动) 斗争.
研究的目的:
- 提出一种新的深度学习架构,即增强多方面变压器 (EMAT),用于股票市场预测.
- 解决现有模型在捕捉复杂的金融市场特征方面的局限性.
主要方法:
- 开发了EMAT,这是一个具有多方面注意力机制的深度学习模型.
- 包含一个编码器-解码器结构,具有SwiGLU激活和多目标损失功能.
- 在多个股票市场数据集上对最先进的基线进行评估EMAT.
主要成果:
- EMAT 始终优于各种基线模型,包括循环,混合和变压器架构.
- 废弃性研究证实了多方面注意力机制中的每个组成部分的关键贡献.
- 对财务预测的预测准确度有显著的改进.
结论:
- EMAT是财务预测的有效和强大的工具.
- 该模型能够同时模拟时间衰变,趋势动态和波动机制,从而提高预测能力.
- 与现有的金融预测方法相比,EMAT提供了显著的准确性改进.
