【专题报告】CrossGRU-2：基于Patch与多尺度时序改进端到端模型

文章预览

华创专题报告 根据《证券期货投资者适当性管理办法》及配套指引，本资料仅面向华创证券客户中的金融机构专业投资者，请勿对本资料进行任何形式的转发。若您不是华创证券客户中的金融机构专业投资者，请勿订阅、接收或使用本资料中的信息。 本资料难以设置访问权限，若给您造成不便，敬请谅解。感谢您的理解与配合。 摘要 时序数据在不同尺度表达下的特征模式可能并不完全相同。例如，股票在分钟、日、周、月尺度上呈现不同的趋势与波动。 对于较长的序列，我们希望端到端模型可以更好处理序列的局部短期与整体长期的关系，实现不同尺度的信息提取与交互。 时序深度学习模型中的“patch”通常指将时间序列中连续的时点聚合成子序列，可以帮助模型更有效地学习局部的时间特征。 我们将时序模块改为双分支结构，每个分支使用 ………………………………