Home | english  | Impressum | Datenschutz | Sitemap | KIT

Dilated Convolutional Neural Networks for Time Series Forecasting

Dilated Convolutional Neural Networks for Time Series Forecasting
Typ:Masterarbeit
Datum:sofort
Betreuer:

Patrick Jaquart

Das Ziel der Arbeit ist es mithilfe von dilated convolutional neural networks (Finanz-)Zeitreihen vorherzusagen. Die Ergebnisse können mit anderen gängigen Methoden zur Zeitreihenanalyse wie LSTMs verglichen werden. Dabei kann gerne kreativ gearbeitet werden, bspw. könnte ein Ensemble aus dilated CNNs und LSTMs gebildet werden etc.

Hintergrund der Arbeit ist, dass dilated CNNs Zusammenhänge sehr effizient lernen können und inzwischen state-of-the-art bei der Zeitreihenanalyse sind.

Der Fokus der Arbeit liegt auf der Anwendung von dilated CNNs zur Zeitreihenanalyse - falls keine Finanzkenntnisse vorhanden sind, ist es möglich auch andere Zeitreihen vorherzusagen.

Vorteil:

Nach der Bearbeitung dieser Arbeit werden Sie sich sehr gut mit den state-of-the-art Machine Learning Methoden zur Zeitreihenanalyse auskennen – eine Fähigkeit, die Ihnen in Ihrer Karriere sehr helfen kann und sehr gefragt ist.

Voraussetzung:

Sehr gute Programmierkenntnisse in Python, sehr gute Kenntnisse über gängige Machine Learning Methoden.

Literatur:

Borovykh, A., Bohte, S., & Oosterlee, C. W. (2017). Conditional time series forecasting with convolutional neural networks. arXiv preprint arXiv:1703.04691.

https://arxiv.org/pdf/1703.04691.pdf

 

Wang, Z., Yan, W., & Oates, T. (2017, May). Time series classification from scratch with deep neural networks: A strong baseline. In 2017 international joint conference on neural networks (IJCNN) (pp. 1578-1585). IEEE.

https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7966039

 

Gu, S., Kelly, B., & Xiu, D. (2018). Empirical asset pricing via machine learning (No. w25398). National Bureau of Economic Research.

https://www.nber.org/papers/w25398.pdf

 

Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654-669.

https://www.econstor.eu/bitstream/10419/157808/1/886576210.pdf