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.

Multi-period Learning for Financial Time Series Forecasting

Created by
  • Haebom
Category
Empty

저자

Xu Zhang, Zhengang Huang, Yunzhi Wu, Xun Lu, Erpeng Qi, Yunkai Chen, Zhongya Xue, Qitong Wang, Peng Wang, Wei Wang

개요

본 논문은 금융 시계열 예측 성능 향상을 위해 Multi-period Learning Framework (MLF)를 제안합니다. MLF는 단기적 여론과 중장기적 정책 및 시장 트렌드에 영향을 받는 금융 시계열 데이터의 특징을 고려하여, 다중 기간 입력을 효과적으로 처리합니다. 구체적으로, (i) Inter-period Redundancy Filtering (IRF), (ii) Learnable Weighted-average Integration (LWI), (iii) Multi-period self-Adaptive Patching (MAP) 모듈을 통해 정확도를 높이고, Patch Squeeze 모듈을 통해 효율성을 개선합니다.

시사점, 한계점

•
시사점:
◦
다중 기간 입력을 효과적으로 처리하여 금융 시계열 예측 정확도 향상.
◦
Inter-period Redundancy Filtering (IRF), Learnable Weighted-average Integration (LWI), Multi-period self-Adaptive Patching (MAP) 모듈 설계를 통해 성능 개선.
◦
Patch Squeeze 모듈을 통한 효율성 증대.
◦
다양한 길이의 입력을 통합하여 입력 길이 선택의 부담 감소.
◦
코드 및 데이터셋 공개를 통한 재현 가능성 확보.
•
한계점:
◦
구체적인 실험 결과 및 성능 비교에 대한 정보 부족.
◦
다양한 금융 시계열 데이터에 대한 일반화 성능 검증 필요.
◦
모델의 복잡성 및 계산 비용에 대한 추가적인 분석 필요.
👍
Made with Slashpage