これらの課題に対処するため、論文「Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting」では、新しいアーキテクチャである構造成分ニューラルネットワーク(Structured Component Neural Network, SCNN)が提案されました。 このモデルは、時系列の構造的な分解を基盤として設計されています。 SCNNの基本的な考え方は、データを性質の異なる複数の成分に分解して扱うことです。対象となるのは、長期的なトレンドや季節変動だけではありません。急速に変化する短期的な成分や、変動の激しい局面も含まれます。 それぞれの成分は、その固有の動的特性に合わせて設計された専用のサブネットワークによって処理されます。 この仕組みにより、モデルは市場環境の変化に柔軟に対応できるようになり、その処理過程もより理解しやすくなります。
新しい記事「取引におけるニューラルネットワーク：構造成分の分離(SCNN)」はパブリッシュされました:
これらの課題に対処するため、論文「Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting」では、新しいアーキテクチャである構造成分ニューラルネットワーク(Structured Component Neural Network, SCNN)が提案されました。 このモデルは、時系列の構造的な分解を基盤として設計されています。 SCNNの基本的な考え方は、データを性質の異なる複数の成分に分解して扱うことです。対象となるのは、長期的なトレンドや季節変動だけではありません。急速に変化する短期的な成分や、変動の激しい局面も含まれます。 それぞれの成分は、その固有の動的特性に合わせて設計された専用のサブネットワークによって処理されます。 この仕組みにより、モデルは市場環境の変化に柔軟に対応できるようになり、その処理過程もより理解しやすくなります。
SCNNの大きな特徴は、データの分解と再構成が、単に入力段階や出力段階でおこなわれるのではなく、ニューラルネットワークの内部構造に組み込まれている点です。 これにより、データを詳細に分解できるだけでなく、成分間の複雑な相互作用も捉えられます。そこには、成分間の接続や、直接には観測できない潜在的な依存関係も含まれます。 さらに、各ネットワークモジュールは、2つの分岐から成る構造を採用しています。一方の分岐は、現在の市場環境に応じてモデルのパラメータを動的に調整し、もう一方の分岐は、そのパラメータを用いて隠れた特徴量を処理します。 つまり、モデルは現在の自己相関構造に合わせて、内部の処理を動的に調整する仕組みを備えているのです。
SCNNの頑健性と汎化性能をさらに高めるため、著者らは、特別な構造的正則化の仕組みも導入しました。 この仕組みは、ノイズや歪みの影響を受けにくい時系列成分にモデルが注目するよう促します。 その結果、一部のパターンの影響力が急速に弱まる一方で、新たなパターンが突如として現れるような不安定な市場環境においても、SCNN高い予測精度と安定性を維持することが期待されます。
作者: Dmitriy Gizlyk