25. 有力な帰納バイアス(1) 時系列情報の加味
時系列情報を加味したデータオーグメンテーションの網羅的実験
(Fons et al. 2020)
● Magnify(拡大)
● Time warp(タイムスタンプの配置換え)
● Spawner (Kamycki et al. 2019)
が有効とされている。
Fons et al. (2020) “Evaluating data augmentation for financial time series classification”
Kamycki et al. (2019) “Data Augmentation with Suboptimal Warping for Time-Series Classification”
27. 有力な帰納バイアス(3) 長期と短期
長期的な波動と短期的な波動を認識するためのNNsは沢山存在する
● LSTM
● State Frequency Memory (Zhang et al. 2017)
● LSTNet (Lai et al. 2018)
● LSTMに長期記憶足す系 (Zhao et al. 2020 など)
Zhang et al. (2017) ”Stock Price Prediction via Discovering Multi-Frequency Trading Patterns”
Lai et al. (2018) “Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks”
Zhao et al. (2020) “Do RNN and LSTM have Long Memory?”
28. 有力な帰納バイアス(4) 解釈可能な式
101 Formulaic Alphas (Kakushadze 2015)と呼ばれる式を用いてリターンを予測
さらに自動探索するAutoAlpha (Zhang et al 2020)
Zhang et al. (2020) “AutoAlpha: an Efficient Hierarchical Evolutionary Algorithm for Mining Alpha Factors in Quantitative Investment”