58、基于图拉普拉斯的多任务学习股票预测器

基于图拉普拉斯的多任务学习股票预测器

1. 引言

近年来，基于深度学习的股票预测建模受到了广泛研究。从市场分析的角度来看，不同股票具有不同的特性，因此为每只股票构建单独的模型是很自然的想法。然而，目前大多数研究都是独立构建预测模型，忽略了不同股票之间的动态关系。

股票市场是一个复杂的网络，单只股票的价格走势不仅与其历史行为相关，还高度依赖于其他股票，即存在序列间关系。同时，股票市场呈现出层次结构，不同集群的股票对同一经济因素的反应不同，而同一集群的股票在信息响应上具有很强的相似性，即集群内关系。

股票预测的主要目标是为不同股票构建预测模型，并利用股票之间的序列间和集群内关系。为了实现这一目标，我们引入了联邦多任务学习方法，同时为每只股票学习单独的模型。此外，我们还提出了一个带有金融约束的图拉普拉斯学习优化问题，以建模序列间和集群内关系。

主要贡献如下：
- 提出了基于股票市场数据估计的联邦多任务学习方法，用于同时预测一组股票。
- 提出了学习具有秩约束的 k - 集群图的公式，以捕捉股票之间的序列间和集群内依赖关系。
- 提出了第一个利用图拉普拉斯学习优势的股票预测框架。

为了验证所提出方法的有效性，我们将预测结果与两个流行股票指数的基线方法进行了比较。

2. 相关工作

这项工作与多任务学习和图学习密切相关。多任务学习算法已经得到了深入研究，并在医疗保健、无线网络等领域有广泛应用。在联邦多任务学习（FMTL）中，目标是为每个客户端学习单独的模型。然而，FMTL 和分层模型都无法解决非凸目标函数的问题。最近，统一的 FMTL 框架（FedU）在解决凸和非凸目标函数的多任