如上图所示,本文提出的方法称为基于CNN和Transformer的时间序列建模(CTTS)。CTTS方法分为以下4个步骤: 首先,我们对输入的每个时间序列进行标准化,采用标准的最小-最大缩放方法将数值范围缩放到[0, 1]之间。 接下来,我们的模型通过卷积神经网络(CNN)和Transformer模型来进行时间序列的建模和预测。在预测过程中,我们使...
在报告第三章介绍了基于CNN和Transformer的时间序列模型(CTTS)的模型构造和训练方案以及实验配置和结果。CTTS将日内股价数据序列通过一维卷积以及多层Transformer,最后经过MLP得出“上涨”、“下跌”、“持平”的预测概率。在原文实验的所有统计中,CTTS的预测准确率都高于三种基准策略,这表明了结合CNN和Transformer用于时间序列...
测准确率都高于三种基准策略,这表明了结合CNN和Transformer用于- 时间序列预测的有效性。《2023年四季度公募主动权益基金持仓解析》 - 最后总结CNN与Transformer两种模型的优势与特点,结合CTTS模型 的启发,提出了将CNN与Transformer结合应用于量化分析的研究方案: [Table_Author] (1)采用类CTTS的模型结构进行基于分钟频率...
测准确率都高于三种基准策略,这表明了结合CNN和Transformer用于- 时间序列预测的有效性。《2023年四季度公募主动权益基金持仓解析》 - 最后总结CNN与Transformer两种模型的优势与特点,结合CTTS模型 的启发,提出了将CNN与Transformer结合应用于量化分析的研究方案: [Table_Author] (1)采用类CTTS的模型结构进行基于分钟频率...