品品科技|迎来TCN！股市预测任务是时候拥抱新技术了，告别RNN( 四 ) 编辑：魔王、陈萍本文介绍了TCN在股市

可变长度输入。 RNN以循环的方式对可变长度输入进行建模， TCN也可以通过滑动一维卷积核来接收任意长度的输入。这意味着，对于任意长度的序列数据，都可以用TCN替代RNN 。
使用TCN存在两个明显的缺点：
评估期间的数据存储。 TCN需要接收有效历史长度的原始序列，因此在评估过程中可能需要更多的内存。
域迁移时可能引起参数更改。不同的域对模型预测所需的历史量可能有不同的要求。因此，当将模型从仅需要很少记忆（即较小的k和d）的域转移至需要更长记忆（即较大的k和d）的域时， TCN可能因为没有足够大的感受野而表现不佳。
3.3基准

文章图片
TCN和循环网络在典型的序列建模任务中的评估结果，这些任务通常用来评估RNN模型。
上述结果表明，经过最小调优的通用TCN架构在大量序列建模任务中优于典型循环架构，而这些任务通常用于对循环架构的性能进行基准测试。
4.基于TCN的知识驱动股市趋势预测与解释
4.1背景介绍
用于股市趋势预测的大部分深度神经网络存在两个常见缺陷：1）当前方法对股市趋势的突然变化不够敏感；2）预测结果不具备可解释性。
为了解决这两个问题， Deng等人2019年提出一种新型知识驱动时间卷积网络（KDTCN）用于股市趋势预测和解释，该方法将背景知识、新闻事件和股价数据集成到深度预测模型中，以解决股市趋势突变时的趋势预测和解释问题。
为了解决股市趋势突变下的预测问题，该研究将金融新闻中的事件提取出来并结构化为事件元组，如「BritainexitingfromEU」被表示为(Britain,exitingfrom,EU) 。然后将事件元组中的实体和关系链接至知识图谱（KG），如Freebase和Wikidata 。接下来，分别对结构化知识、文本新闻和股价数值进行向量化和级联。最后，将这些嵌入馈入基于TCN的模型。
实验表明KDTCN可以更快地响应股市突变，在股市数据集上的性能优于SOTA方法，此外它还增强了股市突变预测的可解释性。
此外，基于股市突变预测结果，要想解决可解释性问题，我们可以通过知识图谱中事件的关联对事件的影响进行可视化。这样，我们就可以解释1）知识驱动的事件如何不同程度地影响股市波动；2）知识如何将股市趋势预测中与突变相关的事件关联起来。
4.2KDTCN模型架构
这里介绍的基础TCN模型架构基于第三部分推导而来，通用TCN架构包括因果卷积、残差连接和扩张卷积。
KDTCN架构如下所示：

文章图片
KDTCN框架图示
原始模型输入为股价X、新闻数据库N和知识图谱G 。股价经过归一化处理，并映射到股价向量：

文章图片
其中每个向量p_t表示股票交易日t的实时股价向量， T表示时间跨度。
至于新闻数据库，新闻被表示为事件集合ε ，然后被结构化为事件元组e=(s,p,o) ，其中p为动作/谓语、s是执行者/主语、o是动作承受者。事件元组中的每个项都与知识图谱链接，对应知识图谱中的实体和关系，通过训练事件元组和KG三元组获得事件嵌入V 。详细过程参见https://core.ac.uk/download/pdf/222446995.pdf 。
最后，将事件嵌入和股价向量结合并输入基于TCN的模型。
4.2.1数据集和基线
数据集：
1.时间序列股价数据X：道琼斯工业平均指数每日记录构成的股价数据集；
2.文本新闻数据N：来自RedditWorldNews频道的历史新闻组成的新闻数据集；
3.结构化知识数据G：基于两个常用开放研究知识图谱Freebase和Wikidata的结构化数据构建的子图。