09:48arXiv cs.LG@Tien Thanh Thach本文提出改进的Transformer架构,结合余弦退火调度和移位数据增强(SDA)用于一步股票指数预测。在VN30和S&P 500两个基准数据集上评估,余弦退火调度相比逆幂调度持续提升预测精度。SDA显著降低预测误差和运行间变异,提高对超参数选择的鲁棒性。组合方法在两个数据集上取得最佳性能,表明数据增强比增加模型复杂度更有效。论文TransformerSDA股票预测时间序列金融预测推荐理由:这篇论文在股票预测上用改进的Transformer和数据增强,在VN30和标普500上效果比堆模型还管用,值得看看具体方法。原文
19:11arXiv cs.LG@Marcin Kostrzewa, Sebastian Tomczak, Roman Furman, Anna Poberezhna, Michał Furgała, Oleksii Furman, Maciej Zięba企业破产预测是高风险金融任务,面临严重类别不平衡和多时间跨度预测挑战,但现有公共数据集规模小且稀缺。新基准V4FinBench包含来自维谢格拉德集团四国(2006-2021)的超过100万条公司年度记录,涵盖131个特征、六种预测时间范围,并采用综合财务困境标准。参考评估显示,经过不平衡感知微调的TabPFN在长周期F1和ROC-AUC上达到或超越梯度提升;而Llama-3-8B在每个时间范围的ROC-AUC上均落后于梯度提升。在外部美国破产数据集上,V4FinBench微调的TabPFN优于原始版本,表明学到了可迁移的财务困境结构。该基准已开源,以支持更真实的金融预测方法评估。论文表格基础模型金融预测基准评测TabPFN不均衡学习推荐理由:对于金融风控从业者,该基准提供了百万级真实财务数据及多时间范围评测框架,可有效检验表格型基础模型和LLM在不平衡场景下的预测能力。原文