異なるデータソースを使用したフィンテックアプリケーションのための敵対的学習ネットワーク

金融技術（フィンテック）関連のアプリケーション、特に株式市場をモデル化する上での主要な課題は、動的特性と増大する複雑性です。これまで、多くの柔軟性に欠ける予測戦略が株価の動きを予測するために提案されましたが、市場の崩壊が発生したときには特に満足のいく結果を得ることができませんでした。この課題に対処するために、強化学習を使用した敵対的トレーニング戦略に基づく予測フレームワークを提案します。このフレームワークでは、株価、ツイート、グローバルインジケーターを含む異種知識ベースを使用します。欠損データの補完には修正ニュートン分割差分多項式（NDDP）を提案します。金融市場の固有の特性を表す情報パターンは、長短期記憶ネットワーク（LSTM）を使用して抽出されました。2つの敵対的ネットワークは、市場崩壊（HDFM）Q学習と対立Q学習ネットワークを表す異種データ融合です。両方のネットワークは、金融市場が変動しているときでも予測の効果を高めるために敵対的にトレーニングされます。実験結果は、グローバルインジケーターの重要性と、既存の最先端の研究と比較した場合の予測性能改善のための提案された敵対的学習ネットワーク（ALN）の重要性を示しています。