Chain-structured neural architecture search for financial time series forecasting
创建于 更新于
摘要
本报告针对金融时间序列预测，比较了贝叶斯优化（TPE）、Hyperband和强化学习三种神经架构搜索策略，以及多层感知器（MLP）、1D卷积神经网络（CNN）、循环神经网络（RNN）和时序融合变换器（TFT）四种架构。研究表明，贝叶斯优化和Hyperband表现最佳，1D CNN和LSTM优于MLP和TFT，且优化过程中存在较大随机种子方差影响，通过重复训练与测试缓解该问题，最后建议采用集成方法以降低方差风险。整体预测性能受限于金融时间序列的噪声与非平稳特性，测试集AUC最高约0.56，反映任务难度之大。报告还针对优化策略和架构选择给出实践建议，并指出未来可探索更高级的NAS方法如分块搜索空间和遗传算法等 [page::0][page::6][page::12][page::14][page::15]
