新的RG-ResMoE架构改进了金融波动率预测

一篇新研究论文介绍了一种用于预测金融波动率的新型架构RG-ResMoE，该架构通过整合受机制信息影响的预测。该模型使用门控网络根据机制状态变量来路由残差校正，而不是直接将机制信息输入到预测输入中。在美国和日本的股票数据上进行的实验表明，RG-ResMoE在准确性和训练稳定性方面始终优于容量匹配的多层感知机，突显了非平稳机制信息如何影响神经网络波动率预测模型中的预测的重要性。 AI

影响 这项研究通过更好地整合受机制信息影响的预测，可能带来更稳定、更准确的金融预测模型。

排序理由 该集群包含一篇详细介绍用于金融预测的新神经网络架构的研究论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Japan
• multilayer perceptron
• RG-ResMoE
• ScienceCast
• U.S.

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →