Hypercomplex neural network in time series forecasting of stock data

要約

時系列予測のための 3 つのクラスのアーキテクチャがテストされました。
これらは、畳み込み層、LSTM 層、または 4D 代数の高密度超複雑層のいずれかを含む入力層によって異なります。
入力は 4 つの関連する株式市場時系列であり、そのうちの 1 つの予測が期待されます。
アーキテクチャのクラスに関連するハイパーパラメータの最適化は、クラス内の最良のニューラル ネットワークを比較するために実行されました。
結果は、ほとんどの場合、超複雑な高密度層を備えたアーキテクチャは、他のアーキテクチャと同様の MAE 精度を提供しますが、トレーニング可能なパラメータが大幅に少ないことを示しています。
そのおかげで、超複雑なニューラル ネットワークは、テストされた他のアーキテクチャよりも高速に学習し、データを処理できます。
さらに、入力時系列の順序は効果に影響を与えます。

要約(オリジナル)

The three classes of architectures for time series prediction were tested. They differ by input layers which contain either convolutional, LSTM, or dense hypercomplex layers for 4D algebras. The input was four related Stock Market time series, and the prediction of one of them is expected. The optimization of hyperparameters related to the classes of architectures was performed in order to compare the best neural networks within the class. The results show that in most cases, the architecture with a hypercomplex dense layer provides similar MAE accuracy to other architectures, however, with considerably less trainable parameters. Thanks to it, hypercomplex neural networks can be learned and process data faster than the other tested architectures. Moreover, the order of the input time series has an impact on effectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google