ترجمه فارسی مقاله نویززدایی قوی از سری‌های زمانی مالی

چکیده

In this paper we introduce a method for significantly improving the signal to noise ratio in financial data. The approach relies on combining a target variable with different context variables and use auto-encoders (AEs) to learn reconstructions of the combined inputs. The objective is to obtain agreement among pairs of AEs which are trained on related but different inputs and for which they are forced to find common ground. The training process is set up as a “conversation” where the models take turns at producing a prediction (speaking) and reconciling own predictions with the output of the other AE (listening), until an agreement is reached. This leads to a new way of constraining the complexity of the data representation generated by the AE. Unlike standard regularization whose strength needs to be decided by the designer, the proposed mutual regularization uses the partner network to detect and amend the lack of generality of the learned representation of the data. The integration of alternative perspectives enhances the de-noising capacity of a single AE and allows us to discover new regularities in financial time-series which can be converted into profitable trading strategies.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله روشی را برای بهبود چشمگیر نسبت سیگنال به نویز در داده های مالی معرفی می کنیم.این رویکرد به ترکیب یک متغیر هدف با متغیرهای مختلف متن متکی است و از رمزگذارهای خودکار (AES) برای یادگیری بازسازی ورودی های ترکیبی استفاده می کند.هدف این است که بین جفت های AE که روی ورودی های مرتبط اما مختلف آموزش داده می شوند ، توافق کنند و برای آنها مجبور به یافتن زمینه مشترک شوند.روند آموزش به عنوان “مکالمه” تنظیم می شود که در آن مدل ها در تولید پیش بینی (صحبت کردن) و آشتی دادن پیش بینی های خود با خروجی AE دیگر (گوش دادن) قرار می گیرند ، تا زمانی که توافق حاصل نشود.این منجر به روش جدیدی برای محدود کردن پیچیدگی نمایش داده های تولید شده توسط AE می شود.بر خلاف تنظیم استاندارد که قدرت آن باید توسط طراح تصمیم بگیرد ، تنظیم متقابل پیشنهادی از شبکه شریک برای شناسایی و اصلاح عدم کلی بودن نمایندگی آموخته شده داده ها استفاده می کند.ادغام دیدگاههای جایگزین باعث افزایش ظرفیت کمبود یک AE واحد می شود و به ما امکان می دهد تا منظم های جدیدی را در سری زمانی مالی کشف کنیم که می تواند به استراتژی های تجاری سودآور تبدیل شود.