Financial Time Series Forecasting using CNN and Transformer

要約

タイトル：CNNとトランスフォーマーを使用した金融時系列予測
要約：

– 時系列予測は意思決定において重要であり、株価などの金融時系列は、短期的および長期的な時間依存性をモデル化するのが困難であるため、予測が困難である。
– 短期的な依存関係をモデル化するには、局所的なパターンを捉えることが得意な畳み込みニューラルネットワーク（CNN）が適しているが、受容野が限られているため長期的な依存関係を学習することはできない。
– 一方、トランスフォーマーはグローバルなコンテキストと長期的な依存関係を学習することができる。
– 本論文では、CNNとトランスフォーマーの力を利用して、時系列内の短期的および長期的な依存関係をモデル化し、将来的に価格が上がるか、下がるか、同じままになるか（フラット）を予測することを提案している。
– 実験により、提案手法が一般的に採用されている統計的および深層学習手法よりも、S&P 500構成銘柄のデイリー株価変動の予測において成功していることが示された。

要約(オリジナル)

Time series forecasting is important across various domains for decision-making. In particular, financial time series such as stock prices can be hard to predict as it is difficult to model short-term and long-term temporal dependencies between data points. Convolutional Neural Networks (CNN) are good at capturing local patterns for modeling short-term dependencies. However, CNNs cannot learn long-term dependencies due to the limited receptive field. Transformers on the other hand are capable of learning global context and long-term dependencies. In this paper, we propose to harness the power of CNNs and Transformers to model both short-term and long-term dependencies within a time series, and forecast if the price would go up, down or remain the same (flat) in the future. In our experiments, we demonstrated the success of the proposed method in comparison to commonly adopted statistical and deep learning methods on forecasting intraday stock price change of S&P 500 constituents.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI