QuantML-Qlib Model | Kansformer： KAN+Transformer时序模型用于股票收益率预测

最新推荐文章于 2024-09-21 11:30:00 发布
最新推荐文章于 2024-09-21 11:30:00 发布
阅读量1.3k 收藏 10
点赞数 4
文章标签： transformer 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39970492/article/details/139891034
版权

QuantML-Qlib Model | Kansformer： KAN+Transformer时序模型用于股票收益率预测

原创 QuantML QuantML 2024-06-18 20:57 上海

Content

之前公众号介绍了几篇KAN的文章，也做过KAN相关的模型：

What KAN I say？KAN代码全解析

QuantML-Qlib开发版 | 最新神经网络结构KAN用于因子挖掘

取代MLP？MIT全新神经网络结构KAN,3天1.4k star

QuantML-QlibModel | KAN + GRU 时序模型用于股票预测

 Kolmogorov-Arnold Networks（KANs），它是由Kolmogorov-Arnold表示定理启发而来，旨在作为多层感知器（MLPs）的有前途的替代品。KANs的核心特点是在网络的边缘（即权重）上拥有可学习的激活函数，而不是像传统的MLPs那样在节点（即神经元）上使用固定的激活函数。这些激活函数由一元函数（univariate functions）组成，每个权重参数被一个作为样条（spline）参数化的一元函数所替代。

图片

KAN的特点在于模型参数量少，具有较好的可解释性。

在之前的KANGRU模型中，我们采用KAN+GRU的结构，相比于单纯的GRU效果有所提升，本文我们利用KAN和Transformer构建Kansformer模型，用于股票收益率预测。

2. 代码部分

我们在中QuantML-Qlib实现Kansformer模型。由于有部分c代码，需要编译后再使用，在QuantML-Qlib根目录下运行以下命令进行编译

python  setup.py build_ext --inplace

代码结构如下：

图片

examples/benchmarks/Kansformer/workflow_config_kansformer_Alpha360.yaml文件中设置好数据路径，超参数后，运行run.py即可。

在中证500内测试，样本外周频IC为0.0615， IR为3.125，与KANGRU结果相近。

回测效果：

图片

年化alpha：10.42%，超额信息比：1.20，超额最大回撤：6.98%

代码已更新至QuantML-Qlib，factor和model目录结构如下：

图片

Transformer预测 | 基于Transformer的风电功率多变量时间序列预测（Matlab）
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
06-18 721
Transformer预测 | 基于Transformer的风电功率多变量时间序列预测（Matlab）
时序预测 | KAN+Transformer时间序列预测（Python）
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
06-19 2382
时序预测 | KAN+Transformer时间序列预测（Python）
KAN+Transfomer时间序列预测（Python完整源码和数据）
最新发布
10-09
KAN+Transformer时间序列预测（Python完整源码和数据） Pytorch版本，运行主程序mult即可。 KAN作为这两年最新提出的机制，目前很少人用，很适合作为时间序列预测的创新点，可以结合常规的网络加上个优化方法做创新。适合功率预测，负荷预测，流量预测，浓度预测，机械领域预测等等各种时间序列预测。 KAN（Kolmogorov–Arnold Networks）的模型，它对标的是MLPs（多层感知机），这个模型由数学定理Kolmogorov–Arnold启发得出的。该模型最重要的一点就是把激活函数放在了权重上，也就是在权重上应用可学习的激活函数，这些一维激活函数被参数化为样条曲线，从而使得网络能够以一种更灵活、更接近Kolmogorov-Arnold 表示定理的方式来处理和学习输入数据的复杂关系。
新鲜顶会创新点！KAN全家桶系列！
m0_73122726的博客
09-21 778
KANs作为一种创新的神经网络架构，基于Kolmogorov-Arnold表示定理，通过将线性权重替换为基于样条的自适应单变量函数，使得网络能够动态学习和优化激活模式。本文介绍了一种新颖的Kolmogorov-Arnold Networks（KANs）在时间序列预测中的应用，重点展示了其通过自适应激活函数增强预测模型性能的独特优势。1.KANs利用样条函数作为激活函数，能够根据时间序列数据的动态特性自适应地调整激活模式，这与传统的固定激活函数相比，可以更精确地捕捉时间序列中的复杂模式和变化。
QuantML-Qlib开发版 | AAAI最佳论文Informer用于金融市场预测【附代码】
AI生成式技术曾小健
05-19 1311
背景：许多实际应用需要预测长序列时间序列，例如电力消费规划。这要求模型能够捕捉输入和输出之间的精确长距离依赖关系。现有问题：现有的Transformer模型在处理长序列时间序列预测时存在一些问题，包括二次时间复杂度、高内存使用率和编码器-解码器架构的固有限制。Informer模型：为了解决这些问题，作者设计了一个高效的基于Transformer的模型，具有三个显著特点：ProbSparse自注意力机制：时间复杂度和内存使用为O(L log L)，能够在序列依赖对齐上取得可比的性能。
好发论文新方向：KAN+Transformer！准确率达99.86％！
m0_59235699的博客
08-20 1644
一方面，这两者结合，在提高模型的准确性、可解释性方面效果显著，对这两方面要求高的方向，都可以用该方法重做一遍！像是时序预测、图像分类、目标检测等。代表模型SCKansformer，在高维显微图像分类中，便。主要在于，KAN的灵活性和可解释性，可以弥补Transformer不足；而Transformer的自注意力，也可以帮助KAN更好地处理长距离依赖关系。另一方面，KAN是当下的新技术，目前还不算卷，出创新点的机会多。
几个小创新模型，KAN组合网络（LSTM、GRU、Transformer）时间序列预测，python预测全家桶...
woaipythonmeme的博客
06-14 3879
截止到本期，一共发了8篇关于机器学习预测全家桶Python代码的文章。参考往期文章如下：1.终于来了！python机器学习预测全家桶2.机器学习预测全家桶-Python，一次性搞定多/单特征输入，多/单步预测！最强模板！3.机器学习预测全家桶-Python，新增CEEMDAN结合代码，大大提升预测精度！4.机器学习预测全家桶-Python，新增VMD结合代码，大大提升预测精度！5.Python机器...
探索未来：Vision-KAN —— 视觉Transformer的新纪元
gitblog_00097的博客
06-21 878
探索未来：Vision-KAN —— 视觉Transformer的新纪元 项目地址:https://gitcode.com/gh_mirrors/vi/Vision-KAN 项目介绍 在深度学习的领域里，Transformer模型已经成为了图像识别任务中的焦点。Vision-KAN是一个创新的开源项目，它挑战了传统的多层感知器（MLP）在Transformer架构中的角色，尝试用KAN（Kerne...
QuantML-Qlib Model | ICLR 24: 基于独立Patch的时序预测模型
AI生成式技术曾小健
07-15 899
此外，本章还对比了不同的时间序列预训练方法，并提出了PITS方法，它通过独立地嵌入时间序列块，而不是依赖于块之间的依赖关系，从而提供了一种新颖的视角来改进时间序列的表示学习。然后将我们的代码拷贝进examples/benchmarks，目前quantml-qlib在qlib的基础上已经支持40多个模型，包括线性模型，树模型，MLP类，CNN类，RNN类，GNN类，Transformer类以及KAN等，各类SOTA模型会不断更新。与传统的掩码建模任务不同，块重建任务不是预测被掩蔽的块，而是自编码未掩蔽的块。
【负荷预测】基于Transform-KAN的负荷预测研究（Python代码实现）
weixin_67304359的博客
09-17 908
一、
QuantML-Qlib LLM | GPT-4o复现因子计算代码
AI生成式技术曾小健
05-19 1182
在使用image_to_code.py之前，需先行配置OpenAI的API密钥（请自行获取）或Kimi的refresh token（详见free-kimi-api），并将其记录于QuantML-Qlib根目录下的.env文件中，以确保系统能够顺利读取这些配置信息。通常来讲，在本地调用大模型有两种方案，一是使用商业API接口，利用gpt，kimi等，二是在本地部署开源大模型，例如qwen，llama等。，该日历对券商研究报告中的因子进行了系统的梳理和总结，极大地减少了投资者自行搜集和整理因子信息的工作量。
time-series-prediction:天池时间序列预测比赛的回购-源码_transformer股票预测,时间序列预测比赛
04-11
2月22日打卡学习记录 一开始把Aliyun和Docker账号搞混了，出了很多模型奇妙的bug最后还是好不容易在最后关头跑通了。。太难了我的天。 通过pycharm终端构建图像 将图像推送到我的注册表 成功记录得分：-16 2月26日打卡学习记录 因为数据很多，所以我们使用tsfresh来生成功能，只是一个自动的功能工程，然后套入了模型。 后续思路是使用transformer来进行预测。
数据融合matlab代码-learn-qlib:学习卷
05-22
Qlib可以改变传统的量化研究，Paper提出了传统量化研究的问题，例如，交易信号都是通过线性模型产生的，这种方式过于原始，我们应该使用更多新的方法挖掘交易信号。强化学习（reinforcement learning) 可以提供从...
【解决方案】2024.09.03 安装Qlib时报错ERROR: Could not find a version that satisfies the requirement pyqlib (fro
这里面的代码全是错的
09-03 441
安装Qlib时报错，ERROR: Could not find a version that satisfies the requirement pyqlib (from versions: none)
8、【Qlib】【主要组件】预测模型：模型训练和预测
宋志辉的博客
10-06 403
预测模型（Forecast Model）旨在对股票做出预测评分。用户可以通过 qrun 在自动化工作流中使用预测模型。由于 Qlib 中的组件设计成了松耦合方式，预测模型也可以作为一个独立模块使用。
Kansformer?变形金刚来自过去的新敌人
Hofong1966的博客
05-07 863
这是一篇将数学理论与深度学习紧密结合,并在多个科学问题上进行实践的高质量论文。它不仅展示了KAN的强大性能,更重要的是,它体现了一种AI助力科学发现的新范式。尽管KAN目前还不够完善,但其背后的思想值得我们深入探索。
【python量化】将Transformer模型用于股票价格预测
热门推荐
xff123456_的博客
04-01 1万+
前言 下面的这篇文章主要教大家如何搭建一个基于Transformer的简单预测模型，并将其用于股票价格预测当中。原代码在文末进行获取。 1、Transformer模型 Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型，现在比较火热的 Bert 也是基于 Transformer。Transformer 模型使用了 Self-Attention 机制，不采用 RNN 的顺序结构，使得模型可以并行化训练，而且能够拥有全局信息。这篇文章的目的主要是将带大家通过Pytor
【Transformer时序预测】基于Transformer实现股价数据预测附matlab代码
qq_59747472的博客
06-28 750
Transformer模型在自然语言处理领域取得了巨大成功，其强大的并行计算能力和长距离依赖建模能力也使其在时间序列预测领域展现出巨大潜力。本文将详细介绍如何利用Transformer模型进行股价预测，并提供完整的MATLAB代码实现。1. 引言股票价格预测是金融领域的重要研究课题，传统的预测方法如ARIMA、SVM等往往受限于对时间序列数据的线性假设和局部依赖建模能力，难以捕捉复杂的时间依赖关系。
【华泰金工】人工智能42：图神经网络选股与qlib实践.pdf
06-05
本篇文章介绍了华泰金工基于图神经网络（Graph Neural Network，简称GNN）和QLib平台实现的选股策略研究。文章首先介绍了GNN的基本概念和原理，特别是GNN的适用场景和优势，即可以处理复杂非线性的关系和模式，可以结合节点嵌入和属性特征进行深度学习和预测。然后文章介绍了股票市场中的投资策略和指标，如技术指标和基本面指标，以及如何用GNN建模和优化。 接下来，文章详细介绍了QLib平台的特点和功能，以及如何将GNN和QLib结合起来进行选股实战。文章描述了一系列的实验和结果，例如基于GNN的节点分类和链接预测模型，以及基于QLib的数据处理和回测模块。文章指出，GNN可以有效地捕捉股票市场中不同股票之间的关联和影响，能够提高选股的准确率和收益率，但也需要合理的数据和参数调整来避免过拟合和欠拟合问题。 总的来说，本篇文章介绍了一种新的选股策略，即基于GNN和QLib的深度学习和回测框架。这种策略有一定的理论基础和实践经验，并具有一定的创新性和应用价值。然而，这种策略也面临着一系列的挑战和限制，例如数据稀疏性、模型复杂度、交易成本等问题。因此，这种策略需要进一步的研究和改进，才能够在实际股票投资中得到更好的效果和表现。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值