DoubleAdapt: A Meta-learning Approach to Incremental Learning for Stock Trend Forecasting

要約

株価動向予測はクオンツ投資の基本的なタスクであり、価格動向の正確な予測が不可欠です。
オンライン サービスとして、在庫データは時間の経過とともに継続的に到着します。
将来の株式市場で繰り返されるいくつかの新しいパターンを明らかにする可能性のある最新のデータを使用して予測モデルを段階的に更新することは実用的かつ効率的です。
しかし、株価動向予測のための増分学習は、分布の変化（別名コンセプトドリフト）という課題のため、依然として研究が進んでいません。
株式市場が動的に進化するため、将来のデータの分布が増分データと若干または大幅に異なる可能性があり、増分更新の有効性が妨げられます。
この課題に対処するために、私たちは DoubleAdapt を提案します。DoubleAdapt は 2 つのアダプターを備えたエンドツーエンドのフレームワークで、データとモデルを効果的に適応させて分布の変化の影響を軽減できます。
私たちの重要な洞察は、収益性の高い更新を優先して、株式データを局所的に定常的な分布に適応させる方法を自動的に学習することです。
データ適応によって補完されるため、緩和された分布シフトの下でモデル パラメーターを自信を持って適応させることができます。
各増分学習タスクをメタ学習タスクとしてキャストし、望ましいデータ適応とパラメーター初期化のためにアダプターを自動的に最適化します。
現実世界の株式データセットでの実験により、DoubleAdapt が最先端の予測パフォーマンスを達成し、かなりの効率性を示すことが実証されました。

要約(オリジナル)

Stock trend forecasting is a fundamental task of quantitative investment where precise predictions of price trends are indispensable. As an online service, stock data continuously arrive over time. It is practical and efficient to incrementally update the forecast model with the latest data which may reveal some new patterns recurring in the future stock market. However, incremental learning for stock trend forecasting still remains under-explored due to the challenge of distribution shifts (a.k.a. concept drifts). With the stock market dynamically evolving, the distribution of future data can slightly or significantly differ from incremental data, hindering the effectiveness of incremental updates. To address this challenge, we propose DoubleAdapt, an end-to-end framework with two adapters, which can effectively adapt the data and the model to mitigate the effects of distribution shifts. Our key insight is to automatically learn how to adapt stock data into a locally stationary distribution in favor of profitable updates. Complemented by data adaptation, we can confidently adapt the model parameters under mitigated distribution shifts. We cast each incremental learning task as a meta-learning task and automatically optimize the adapters for desirable data adaptation and parameter initialization. Experiments on real-world stock datasets demonstrate that DoubleAdapt achieves state-of-the-art predictive performance and shows considerable efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google