Decoding Futures Price Dynamics: A Regularized Sparse Autoencoder for Interpretable Multi-Horizon Forecasting and Factor Discovery

要約

商品価格のボラティリティは経済的課題を生み出し、正確なマルチホリゾン予測を必要とします。
銅や原油などの商品の価格の予測は、多様な相互作用要因（マクロ経済、需要/需要、地政学など）によって複雑になります。
現在のモデルはしばしば透明性を欠いており、戦略的使用を制限しています。
このペーパーでは、正規化されたスパースオートエンコーダー（RSAE）を紹介します。これは、同時マルチホリゾンの商品価格予測と解釈可能な潜在的な市場ドライバーの発見のための深い学習フレームワークです。
RSAEは、多変量時系列を使用して、複数の視野（例：1日、1週間、1か月）で価格を予測しています。
重要なのは、潜在的なベクトル$ \ mathbf {z} $のl1正規化（$ \ | \ mathbf {z} \ | _1 $）でスパースを強制し、基礎となるドライバー（例えば、需要、供給ショック）を表す学習した要因を通じて、市場ダイナミクスの標準的な説明を促進します。
エネルギーベースのモデルとまばらなコーディングから描画するRSAEは、まばらな表現を学習しながら予測精度を最適化します。
多数の指標を備えた歴史的な銅と原油のデータで評価された調査結果は、RSAEが競争力のあるマルチホリゾン予測の精度と、伝統的なブラックボックスアプローチよりも重要な利点である解釈可能な潜在スペースを介した価格ダイナミクスに関するデータ駆動型の洞察を提供していることを示しています。

要約(オリジナル)

Commodity price volatility creates economic challenges, necessitating accurate multi-horizon forecasting. Predicting prices for commodities like copper and crude oil is complicated by diverse interacting factors (macroeconomic, supply/demand, geopolitical, etc.). Current models often lack transparency, limiting strategic use. This paper presents a Regularized Sparse Autoencoder (RSAE), a deep learning framework for simultaneous multi-horizon commodity price prediction and discovery of interpretable latent market drivers. The RSAE forecasts prices at multiple horizons (e.g., 1-day, 1-week, 1-month) using multivariate time series. Crucially, L1 regularization ($\|\mathbf{z}\|_1$) on its latent vector $\mathbf{z}$ enforces sparsity, promoting parsimonious explanations of market dynamics through learned factors representing underlying drivers (e.g., demand, supply shocks). Drawing from energy-based models and sparse coding, the RSAE optimizes predictive accuracy while learning sparse representations. Evaluated on historical Copper and Crude Oil data with numerous indicators, our findings indicate the RSAE offers competitive multi-horizon forecasting accuracy and data-driven insights into price dynamics via its interpretable latent space, a key advantage over traditional black-box approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google