The focus of this study explores the adaptations of the Lag-Llama univariate time series forecasting approach [8] to handle multivariate time series, named LSTM2Lag-Llama. This extension is motivated by the increasing necessity to deal with datasets containing many variables of interest, particularly in the healthcare sector. A novel approach is introduced that harnesses the capabilities of the Long Short-Term Memory (LSTM) model. The baseline LSTM model takes multivariate input data and has been used widely to capture long-range dependencies within time series data. These features make it an ideal candidate for our task of expanding the Lag-Llama model to handle multivariate time series. The research process involves a detailed and systematic LSTM2Lag-Llama model to accommodate multiple input and output variables. This adaptation process is not a straightforward task. It requires careful consideration of the model architecture, loss function, and training methodologies. The performance of the LSTM2Lag-Llama model is then evaluated using a real-world dataset on early sepsis predictions. This dataset presents a challenging yet practical scenario for time series forecasting, making it an ideal testbed for our LSTM2Lag-Llama model. The results of this research demonstrate the feasibility and effectiveness of the proposed approach, representing a significant step towards exploring multivariate adaptations of the Lag-Llama model. The LSTM2Lag-Llama model not only handles multivariate data but also leverages the LSTM model’s ability to capture multivariate relationships in its hidden states. While the study does not directly implement the model in a practical healthcare setting, it underscores the potential of such advancements in time series forecasting techniques. This research represents a significant contribution to the field of time series forecasting in healthcare. It opens up new avenues for future research and has the potential to significantly impact the way healthcare professionals use time series data for prediction and decision-making. / L'objectif de cette étude est d'explorer les adaptations de l'approche de prévision univariée des séries temporelles Lag-Llama [8] pour traiter les séries temporelles multivariées, nommée LSTM2Lag-Llama. Cette extension est motivée par la nécessité croissante de traiter des ensembles de données contenant de nombreuses variables d'intérêt, notamment dans le secteur de la santé. Une nouvelle approche est introduite qui exploite les capacités du modèle Long Short-Term Memory (LSTM). Le modèle LSTM de base prend des données d'entrée multivariées et a été largement utilisé pour capturer les dépendances à long terme dans les données de séries temporelles. Ces caractéristiques en font un candidat idéal pour notre tâche d'extension du modèle Lag-Llama pour gérer les séries temporelles multivariées. Le processus de recherche implique un modèle LSTM2Lag-Llama détaillé et systématique pour accueillir plusieurs variables d'entrée et de sortie. Ce processus d'adaptation n'est pas une tâche simple. Il nécessite une considération minutieuse de l'architecture du modèle, de la fonction de perte et des méthodologies d'apprentissage. Les performances du modèle LSTM2Lag-Llama sont ensuite évaluées à l'aide d'un ensemble de données du monde réel sur les prédictions précoces de septicémie. Cet ensemble de données présente un scénario difficile mais pratique pour la prévision de séries temporelles, ce qui en fait un banc d'essai idéal pour notre modèle LSTM2Lag-Llama. Les résultats de cette recherche démontrent la faisabilité et l'efficacité de l'approche proposée, ce qui représente une étape importante vers l'exploration des adaptations multivariées du modèle Lag-Llama. Le modèle LSTM2Lag-Llama gère non seulement les données multivariées, mais tire également parti de la capacité du modèle LSTM à capturer les relations multivariées dans ses états cachés. Bien que l'étude n'implémente pas directement le modèle dans un contexte pratique de soins de santé, elle souligne le potentiel de telles avancées dans les techniques de prévision des séries temporelles. Cette recherche représente une contribution significative au domaine de la prévision des séries temporelles dans le domaine de la santé. Elle ouvre de nouvelles voies pour la recherche future et a le potentiel d'impact significatif sur la manière dont les professionnels de la santé utilisent les données de séries temporelles pour la prédiction et la prise de décision.

Cette thèse envisage un ensemble de méthodes permettant aux algorithmes d'apprentissage statistique de mieux traiter la nature séquentielle des problèmes de gestion de portefeuilles financiers. Nous débutons par une considération du problème général de la composition d'algorithmes d'apprentissage devant gérer des tâches séquentielles, en particulier celui de la mise-à-jour efficace des ensembles d'apprentissage dans un cadre de validation séquentielle. Nous énumérons les desiderata que des primitives de composition doivent satisfaire, et faisons ressortir la difficulté de les atteindre de façon rigoureuse et efficace. Nous poursuivons en présentant un ensemble d'algorithmes qui atteignent ces objectifs et présentons une étude de cas d'un système complexe de prise de décision financière utilisant ces techniques. Nous décrivons ensuite une méthode générale permettant de transformer un problème de décision séquentielle non-Markovien en un problème d'apprentissage supervisé en employant un algorithme de recherche basé sur les K meilleurs chemins. Nous traitons d'une application en gestion de portefeuille où nous entraînons un algorithme d'apprentissage à optimiser directement un ratio de Sharpe (ou autre critère non-additif incorporant une aversion au risque). Nous illustrons l'approche par une étude expérimentale approfondie, proposant une architecture de réseaux de neurones spécialisée à la gestion de portefeuille et la comparant à plusieurs alternatives. Finalement, nous introduisons une représentation fonctionnelle de séries chronologiques permettant à des prévisions d'être effectuées sur un horizon variable, tout en utilisant un ensemble informationnel révélé de manière progressive. L'approche est basée sur l'utilisation des processus Gaussiens, lesquels fournissent une matrice de covariance complète entre tous les points pour lesquels une prévision est demandée. Cette information est utilisée à bon escient par un algorithme qui transige activement des écarts de cours (price spreads) entre des contrats à terme sur commodités. L'approche proposée produit, hors échantillon, un rendement ajusté pour le risque significatif, après frais de transactions, sur un portefeuille de 30 actifs. / This thesis considers a number of approaches to make machine learning algorithms better suited to the sequential nature of financial portfolio management tasks. We start by considering the problem of the general composition of learning algorithms that must handle temporal learning tasks, in particular that of creating and efficiently updating the training sets in a sequential simulation framework. We enumerate the desiderata that composition primitives should satisfy, and underscore the difficulty of rigorously and efficiently reaching them. We follow by introducing a set of algorithms that accomplish the desired objectives, presenting a case-study of a real-world complex learning system for financial decision-making that uses those techniques. We then describe a general method to transform a non-Markovian sequential decision problem into a supervised learning problem using a K-best paths search algorithm. We consider an application in financial portfolio management where we train a learning algorithm to directly optimize a Sharpe Ratio (or other risk-averse non-additive) utility function. We illustrate the approach by demonstrating extensive experimental results using a neural network architecture specialized for portfolio management and compare against well-known alternatives. Finally, we introduce a functional representation of time series which allows forecasts to be performed over an unspecified horizon with progressively-revealed information sets. By virtue of using Gaussian processes, a complete covariance matrix between forecasts at several time-steps is available. This information is put to use in an application to actively trade price spreads between commodity futures contracts. The approach delivers impressive out-of-sample risk-adjusted returns after transaction costs on a portfolio of 30 spreads.

No description available.