《Algorithms》：An AutoML Approach for Multi-Echelon Forecasting of Semiconductor Stock Prices Using Recurrent-Based Models: A Study of Financial Dynamics and Demand Shock Propagation
编辑推荐：
类似于供应链（SC）中牛鞭效应冲击向后传播，金融时间序列同样表现出由投资者选择、宏观经济环境和技术发展等因素驱动的波动性。尽管深度学习已提升了股价预测性能，但针对多层级预测和冲击传播对预测性能影响的研究仍有限。本文提出一个基于循环神经网络（RNN）、Trans
类似于供应链（SC）中牛鞭效应冲击向后传播，金融时间序列同样表现出由投资者选择、宏观经济环境和技术发展等因素驱动的波动性。尽管深度学习已提升了股价预测性能，但针对多层级预测和冲击传播对预测性能影响的研究仍有限。本文提出一个基于循环神经网络（RNN）、Transformer和XGBoost并结合自动化机器学习（AutoML）的可靠预测框架，用于设计可定制的流水线，以预测半导体供应链从制造和硬件组装到最终需求及碳排放的股价和指数。超参数优化（HPO）采用Tree Parzen Estimator（TPE）和BOHB在高维空间中同步调优超参数。每个层级的特征集包含前序层级的收盘价，以及当前层级目标的自回归成分，且无信息泄漏。为促进用户交互性，性能分析根据超参数景观评估模型的准确性和复杂度，并通过SHAP分析确定驱动最优性能的超参数和特征。此外，还进行了冲击传播分析，以追踪上游变量波动对最终需求和碳排放预测的影响。
**研究背景与问题**
供应链（Supply Chain, SC）中的牛鞭效应使需求波动沿层级向后放大，金融时间序列则受投资者行为、宏观经济环境、技术发展等因素影响而呈现类似波动。尽管深度学习已显著提升股价预测精度，但针对多层级预测与冲击传播对预测性能影响的研究仍较少。半导体供应链具有高波动性和复杂耦合性，其运营成本数据不易获取，因此研究人员选用各层级代表性股票价格和指数作为代理变量，以刻画半导体制造到最终需求及碳排放的动态行为。
**研究内容与意义**
研究人员基于LSTM（Long Short-Term Memory）、GRU（Gated Recurrent Unit）、Transformer和XGBoost，结合自动化机器学习（Automated Machine Learning, AutoML）框架，构建了可交互的多层级半导体股价预测流水线。通过Tree Parzen Estimator（TPE）和Bayesian Optimization HyperBand（BOHB）两种超参数优化算法，在高维空间中同步调优模型超参数；每个层级的特征集包含前序层级的收盘价及当前层级目标的自回归成分，并避免信息泄漏。研究还通过SHAP分析识别驱动性能的关键超参数和特征，并对上游变量施加1%冲击以模拟传播效应。结果表明，循环模型在多数数据集上表现稳健，XGBoost在部分低波动数据集上具有竞争力，Transformer模型则易出现过拟合。该研究为半导体供应链的多层级金融预测提供了可复用、可交互的AutoML方法论。
**关键技术方法**
研究人员选取半导体原材料、运输与能源、制造（NVIDIA、Intel、SOX）、OEM与硬件组装（Microsoft、Apple、DELL、HP、XLK）、最终需求（NASDAQ、S&P500）及碳排放（KRBN）等11个数据集，数据来源于yfinance库，时间范围2010—2026年（KRBN从2020年8月开始）。核心方法包括：采用LSTM和GRU捕获长短期依赖；采用编码器型Transformer及混合循环-注意力Transformer；采用XGBoost作为基准机器学习模型。HPO使用TPE和BOHB，分别调优13个（循环模型）、19/21个（Transformer）和9个（XGBoost）超参数。评估采用RMSE、MAE、RMSPE、MAPE和R2，并计算总可训练参数、FLOPs、执行时间等复杂度指标；基于SHAP分析特征重要性和超参数重要性，并通过1%扰动实现冲击传播模拟。
**研究结果**
**半导体制造层级**：对Intel（INTC），TPE-GRU获得最高R2（95.8%），BOHB-GRU紧随其后；对NVIDIA（NVDA），BOHB-GRU以测试R2 93.4%领先，但该数据波动性强，模型性能受随机种子影响；对SOX指数，TPE-GRU达到R2 95.71%。总体而言，单循环层且单元数高于全连接层即可获得良好性能，学习率多集中在10??至10?3量级。
**OEM与硬件组装层级**：对AAPL，BOHB-LSTM最优（R2 90.95%）；对MSFT，TPE-GRU最优（R2 84.02%）；对DELL和HPQ，BOHB-GRU分别以R2 94.59%和93.62%领先；对XLK，TPE-GRU最优（R2 86.91%）。这些数据集的共同特征是采用“adam”优化器、窗口大小和批次大小多样化，且循环层单元数通常多于全连接层。
**最终需求与碳排放层级**：对NASDAQ（IXIC）和S&P500（GSPC），TPE-LSTM分别取得R2 94.89%和91.34%的测试性能，但RMSE和RMSPE对较大误差高度敏感。对碳排放（KRBN），XGBoost以测试R2 99.51%领先，TPE-混合Transformer次之（R2 81.32%）；而循环模型在该数据集上的平均R2为85.9%。
**模型对比与超参数分析**：整体上，循环模型在多数数据集优于Transformer和XGBoost；XGBoost在INTC、DELL、HPQ、KRBN等数据集上表现优异。SHAP分析显示，第一循环层的L2正则化率、学习率、窗口大小和第一循环层的dropout率是影响测试R2的主要超参数；低学习率和小窗口通常带来更好性能，而过高的循环层单元数会降低R2。复杂度方面，循环模型和XGBoost处于较低复杂度区间，Transformer模型计算开销更大。
**冲击传播分析**：对IXIC和GSPC，1%扰动上游变量后，NVIDIA（NVDA）收盘价对最终需求预测的影响最显著，其次是DELL和SOX等变量的冲击传播。这一结果说明重要特征与结构敏感性并不完全一致，准确模型并非对所有波动免疫。碳排放层级模型对1%冲击具有较强韧性，绝对平均相对偏移较低，核心特征为KRBN自身OHLCV指标和原油收盘价（CL=F）。
**总结讨论与结论**
讨论部分指出，波动性高的数据集（如NVDA、MSFT、AAPL）容易导致Transformer模型出现验证与测试性能显著差距，而过拟合与超参数配置、特征选择及未纳入的外生因素有关。研究提出的交互式AutoML管道允许用户根据自身计算资源和精度需求调整搜索空间与特征集，平衡模型复杂度与预测性能。
结论部分表明，本研究针对半导体行业提出了一个多层级AutoML预测管道，涵盖数据采集、预处理、特征选择、HPO、模型部署和性能分析，并支持用户交互反馈。研究使用LSTM、GRU、Transformer、混合Transformer和XGBoost，结合TPE和BOHB在高维空间中同步调优，在GPU环境中训练和测试，并评估精度与复杂度。结果显示，对于LSTM/GRU架构，单个循环层且单元数高于后续全连接层即可达到有竞争力的性能；采用“adam”优化器和10??至10?3学习率通常表现良好。冲击传播方面，NVIDIA收盘价显著影响S&P500和NASDAQ的最终需求预测，其次是DELL收盘价和部分自回归成分。总体而言，在受限HPO配置下，基于AutoML的循环模型能够在不同半导体相关股价上实现可靠预测，为多层级供应链金融预测提供了可复用的基线框架。
