信息集控制下的转换调节跨市场图曼巴模型（TRIG-Mamba）及其在跨市场收益预测中的应用

《IEEE Access》：When Cross-Market Memory Fails: Leakage-Audited Regime-Conditioned Graph State-Space Forecasting

　　

摘要：

跨市场收益模型在整个测试期内可能具有竞争力，但在市场状态转换后却会立即失效，而且当市场收盘、宏观经济数据版本以及缺失观测值未与每个决策时点实际可获得的信息对齐时，表面上的收益可能被夸大。因此，我们将信息集控制作为主要的方法论贡献，并采用“转换调节跨市场图曼巴模型”（TRIG-Mamba）作为机制控制的实现方式，用于检验记忆与跨市场耦合应在何时进行自适应调整。我们直接根据公开历史观测值，利用交易所日历可用性记录和ALFRED/FRED历史数据版本，编制了四个日度面板，并在独立发布的“汇率八国”（ER-8）基准（1990—2016年八条日度汇率序列）上额外检验了外部有效性。在主要固定留出集下，TRIG-Mamba的平均绝对误差（MAE）、均方根误差（RMSE）、方向准确率和信息系数分别为0.617、0.901、55.60%和0.067。相对于预先设定的FinMamba比较模型，平均MAE增益为0.56%，方向准确率增益为0.29个百分点，而最差状态下MAE从0.804降至0.777。与使用动量特征的XGBoost、注意力LSTM以及GARCH-MIDAS-X模型进行的扩展比较并未改变平均排序。在ER-8上，采用标准60%/20%/20%划分、168天输入窗口和12天预测期，TRIG-Mamba获得RSE 0.0304和相关系数0.9638，而FinMamba分别为0.0309和0.9627。日历分组检验显示，在相对稳定的2017—2019年区间，对FinMamba的MAE优势较小（0.17%）；在2020—2022年期间较大（1.95%）；而在2023—2024年仍保持正值（0.68%）。在USS-30上，10个基点多空检验将年化净收益从7.38%提升至8.06%，夏普比率从0.91提升至0.97，但经济效应仍属温和，且统计上具有不确定性。证据支持一个有界的主张：……

显示更多