Autoencoder与金融数据降噪

xiaoxiaoma

在上一篇报告中，我们参考最新的 AI 算法技术，尝试利用金融数据嵌入高维空间，
以重构市场动力学。主要的研究目标是寻找最关键的活跃影响维度，从而为寻找主导
因子提供数据支撑。在研究过程中，我们发现，传统的 自编码器 ( 算法在
叠加了从动力学角度出发的假邻居（ false neighbor Loss 正则项之后不仅能够有效分
解数据，确定投资工具维度在不同周期尺度上的活跃维度， 而且 同时还体现了更好的
抗噪效果。

这促使我们进一步探索该方法的应用场景 。本文将分析 autoencoder 的中间层编码节
点对于输入数据的响应能力和降噪处理能力；我们将做多项统计测试，验证自编码算
法的效能。结果显示，自编码器能够 在非常有限的改变原始数据特征的基础上，体现
出更高的信噪比 ，并且具有更好的抗指标钝化特征 。