【加拿大Sherbrooke】金融时间序列表示学习，Financial Time Series RL

本文研究了利用深度神经网络(DNN)联合预测多金融时间序列(TS)的困难。我们研究基于DNN的模型是否可以通过直接学习它们的表示形式来更有效地预测这些TS。为此，我们利用动态因子图(DFG)，我们提出了一种新的基于变长注意力的机制，使它的记忆增强。利用这一机制，我们提出了一种用于多元TS预测的无监督DNN架构，该架构允许学习和利用这些TS之间的关系。我们在覆盖19年投资基金活动的两个数据集上测试了我们的模型。我们的实验结果表明，我们提出的方法在预测21天价格轨迹方面明显优于典型的基于DNN和统计模型。