Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Hierarchical Information-Guided Spatio-Temporal Mamba for Stock Time Series Forecasting

Created by
  • Haebom
Category
Empty

저자

Wenbo Yan, Shurui Wang, Ying Tan

개요

본 논문은 주식 시계열 예측에서 기존 Mamba 모델의 한계를 극복하기 위해 계층적 정보 유도 공간-시간 Mamba(HIGSTM) 프레임워크를 제안합니다. HIGSTM은 지수 가이드 주파수 필터링 분해를 통해 시계열의 공통성과 특수성을 추출하고, 계층적 구조를 통해 시간적 동적 패턴과 주식 시장 내 전반적 정적 관계를 체계적으로 포착합니다. 또한 거시 정보를 시퀀스 선택 과정에 통합하는 정보 유도 Mamba를 제안하여 시장 상황을 고려한 의사결정을 지원합니다. CSI500, CSI800, CSI1000 데이터셋에 대한 실험 결과, HIGSTM이 최첨단 성능을 달성함을 보여줍니다.

시사점, 한계점

•
시사점:
◦
주식 시계열 예측에서 기존 Mamba 모델의 한계를 극복하는 새로운 HIGSTM 프레임워크 제시
◦
지수 가이드 주파수 필터링 분해를 통한 시계열의 공통성 및 특수성 효과적 추출
◦
계층적 구조를 통해 시간적 동적 패턴과 전반적 정적 관계 동시 포착
◦
거시 정보 통합을 통한 시장 상황 고려 의사결정 지원
◦
CSI500, CSI800, CSI1000 데이터셋에서 최첨단 성능 달성
•
한계점:
◦
제안된 모델의 일반화 성능에 대한 추가적인 검증 필요
◦
다양한 주식 시장 데이터셋에 대한 실험 결과 제시 필요
◦
모델의 계산 복잡도 및 효율성에 대한 분석 필요
◦
실제 투자 전략으로의 적용 가능성 및 한계에 대한 논의 필요
👍
Made with Slashpage