Designing Time-Series Models With Hypernetworks & Adversarial Portfolios
用超网络与对抗性投资组合设计时间序列模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论时间序列预测、跨任务元学习及 M4、M6 预测评估，对应时间序列与预测方向，但未明确宏观经济应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用超网络与对抗性投资组合设计时间序列模型
- 研究问题
- 如何在预测任务之间共享信息，同时允许数据生成过程存在异质性；竞赛中又如何根据当前排名调整投资组合的竞争策略？
- 方法与思路
- 作者用超网络为一类预测任务生成定制参数模型，以反向传播联合搜索函数与参数；投资部分根据排名调整与其他参赛者的相关性。
- 材料陈述的贡献
- 摘要报告该方法在 M6 综合排名中获首位，并称预测模型在正弦回归和 M4 时间序列任务中优于所比较的元学习或参数模型。
- 阅读关注点
- 应分别核对预测模型的训练目标、任务共享方式和评估划分，以及投资策略对其他参赛者信息的依赖和排名目标的定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要中的竞赛排名及比较优势未经独立核验，也不足以推断一般预测或投资表现。
原文摘要
This article describes the methods that achieved 4th and 6th place in the forecasting and investment challenges, respectively, of the M6 competition, ultimately securing the 1st place in the overall duathlon ranking. In the forecasting challenge, we tested a novel meta-learning model that utilizes hypernetworks to design a parametric model tailored to a specific family of forecasting tasks. This approach allowed us to leverage similarities observed across individual forecasting tasks while also acknowledging potential heterogeneity in their data generating processes. The model's training can be directly performed with backpropagation, eliminating the need for reliance on higher-order derivatives and is equivalent to a simultaneous search over the space of parametric functions and their optimal parameter values. The proposed model's capabilities extend beyond M6, demonstrating superiority over state-of-the-art meta-learning methods in the sinusoidal regression task and outperforming conventional parametric models on time-series from the M4 competition. In the investment challenge, we adjusted portfolio weights to induce greater or smaller correlation between our submission and that of other participants, depending on the current ranking, aiming to maximize the probability of achieving a good rank.