《计算机工程与科学杂志》发表论文赏析

面向深度行情因子挖掘的分布式训练关键技术研究

来源:计算机工程与科学杂志2024年第9期北京时间:

作者:赵鑫博, 陆忠华

单位:1.中国刑事警察学院公安信息技术与情报学院,辽宁 沈阳 110854;2.中国科学院计算机网络信息中心,北京 100083;3.中国科学院大学,北京 100049

摘要:深度行情数据是沪深交易所的新一代实时行情数据产品,是普通基础行情数据的升级版,是目前国内信息密度最高、蕴含信息量最大、挖掘最不充分的行情数据,对挖掘证券市场潜在风险具有重要价值。但是,现有研究缺少基于深度行情数据面向证券市场的风险度量和计算分析,且全市场深度行情数据规模大,用于提取信息的深度学习模型也越来越复杂,尽管当下硬件的计算能力也在一直不断地发展与提高,但仍然无法解决训练耗时长、效率低等问题。因此,基于沪深300成分股深度行情数据,利用深度学习等方法挖掘高频波动率因子,构建了基于TabNet与LightGBM的高频波动率预测模型。同时,提出了一种基于并行差分进化的分布式训练算法Parallel_DE,用于模型分布式训练过程中的参数计算,并详细阐述了其场景映射方案与整体流程设计。针对上述2项工作基于自有分布式训练平台进行充分验证,实验结果表明,高频波动率预测模型可以对已实现波动率进行高精度预测,且效果相较于其他方法具有一定优越性;Parallel_DE算法可以在一定程度保留参数多样性的同时,有效减少本地参数在测试集上的误差,从而高效率分布式地训练出性能优良的深度学习模型,为证券市场的风险识别提供了面向深度行情数据的相关技术与方法。

关键词:深度行情,已实现波动率,分布式训练,差分进化,

基金资助:北京市自然科学基金(4232039)

2024年9期其他文献查阅:

基于便笺式存储器的向量化SpMV算法的性能评估与分析

面向结构矩阵的可扩展并行矩阵乘算法框架

一种面向计算图的及时内存重用算法

适应于硬件部署的神经网络剪枝量化算法

面向深度行情因子挖掘的分布式训练关键技术研究

基于OpenMP的硅晶体分子动力学模拟的空间分解着色及向量化研究#br#

基于图神经网络的OMCI模型相似性计算

一种基于多特征的日志事件异常检测方法研究

基于同态加的压缩感知加密域信息隐藏算法

基于差分隐私与模型聚类的安全联邦学习方案

多尺度特征融合的移动端单目深度估计研究

基于图文关联与上下文引导的军事新闻图集描述生成方法

基于多种策略改进的鲸鱼优化算法

神经网络增强的成对双线性因子分解机

改进遗传算法与多目标优化模型的航班路径规划

一种基于超图的多模态多标签分类方法

基于元学习的图神经网络冷启动推荐

基于双重自表达与最大熵原理的深度子空间聚类算法

基于用户轨迹和好友关系的兴趣点推荐

一种基于关联程度的高效用数量比频繁模式挖掘算法

填文献完整题目 获取完整文献

填写需求
联系方式
注:学术顾问会在1小时内联系您,请留意!