《Risks》：A Transfer Learning Approach for Testing the Adaptive Market Hypothesis: Evidence from BWP/USD to Cryptocurrency Markets
编辑推荐：
有效市场假说（EMH）认为价格能够完全反映可获得信息，因此常被用于金融市场分析。然而，日益增多的经验证据表明，市场效率会随时间演化，正如自适应市场假说（AMH）所提出的那样，其可预测性会随着经济与行为状态的变化而发生波动。尽管深度学习已越来越多地用于金融预测，
有效市场假说（EMH）认为价格能够完全反映可获得信息，因此常被用于金融市场分析。然而，日益增多的经验证据表明，市场效率会随时间演化，正如自适应市场假说（AMH）所提出的那样，其可预测性会随着经济与行为状态的变化而发生波动。尽管深度学习已越来越多地用于金融预测，但关于神经网络拓扑结构能否成功识别不同市场中随时间变化的效率趋势，仍缺乏系统性研究。此外，迁移学习（TL）在研究外汇市场与高度波动的加密货币市场之间适应性行为方面的相关性，也尚未得到充分关注。
基于这些数据，研究人员通过比较多种深度学习架构的预测表现来检验AMH，并考察来自相对稳定的法定货币市场——博茨瓦纳普拉/美元（BWP/USD）的知识迁移，是否能够提升高波动性加密货币市场——比特币/美元（BTC/USD）的预测精度。研究使用2015年1月1日至2026年1月11日的日度数据，构建深度神经网络（DNNs）和α-循环神经网络（alpha-recurrent neural networks）；为增强泛化能力，还采用循环时间神经网络（RTNN）、领域对抗神经网络（DANN）以及基于KLIEP的重要性加权回归作为基准比较模型。研究采用一种迁移学习技术，即先在BWP/USD上对模型进行初始训练，随后在不冻结任何网络层的条件下于BTC/USD上重新估计，从而保证完全灵活性，并使参数能够响应不断变化的市场动态。研究使用样本外精度指标和滚动长记忆诊断来评估预测表现及其所反映的时变效率。研究结果显示，RTNN在不同市场中通常优于其他预测模型。预测精度会随时间波动，而滚动长记忆测度显示出持续偏离随机游走行为的现象，这支持了AMH。迁移学习通过识别法定货币市场与数字资产市场之间可迁移的信息结构，提高了加密货币市场中的预测稳定性。总体而言，结果支持市场效率是动态而非静态的观点，并表明自适应深度学习系统是检验AMH的有效方法。论文建议在不断发展的外汇与加密货币市场中，进一步研究跨市场迁移机制与自适应建模方法。
该文发表于《Risks》，核心目标是检验自适应市场假说（AMH），并探讨迁移学习（TL）能否将低波动法定货币市场中的有效信息迁移到高波动加密货币市场，以提升预测稳定性与解释市场效率的时变性。研究背景在于，传统有效市场假说（EMH）强调价格完全反映信息、市场始终有效，因此难以持续获得超额收益；然而，越来越多的实证研究表明，金融市场效率并非恒定不变，而是在不同经济环境、行为机制与波动状态下发生动态调整。尤其是在汇率与加密资产市场中，价格结构往往表现出非线性、时变性、长记忆与制度切换特征，静态线性模型或单一效率框架难以充分刻画。与此同时，深度学习虽已广泛用于金融预测，但针对“深度神经网络能否作为检验AMH的工具”这一问题，尤其是跨市场迁移至加密货币的研究仍相对不足。因此，开展该研究既具有理论意义，也有现实应用价值。
围绕这一问题，研究人员以BWP/USD作为源市场，以BTC/USD作为目标市场，构建并比较多种深度学习与领域适配模型，包括深度神经网络（DNN，前馈式深层非线性映射模型）、α-循环神经网络（Alpha-RNN，一种带动态平滑参数α的递归网络）、循环时间神经网络（RTNN）、领域对抗神经网络（DANN）和基于Kullback–Leibler Importance Estimation Procedure的加权回归（KLIEP）。研究发现，在无迁移学习和有迁移学习两种情境下，RTNN均表现出最优或最稳健的综合性能；其样本外预测误差更低，不确定性校准更优，且滚动Hurst指数持续高于有效市场基准0.5，说明BWP/USD与BTC/USD均存在显著长记忆和趋势持续性，市场效率呈现动态变化而非静态均衡。这一结果直接支持AMH，也表明从稳定法定货币市场向高波动数字资产市场进行知识迁移具有实证可行性。研究的重要意义在于，它将深度学习预测、可解释人工智能和时变效率检验整合为统一框架，为跨市场金融预测、风险管理和政策监测提供了具有操作性的量化工具。
在方法上，研究人员使用2015年1月1日至2026年1月11日的BWP/USD与BTC/USD日度OHLC样本，数据来源于Yahoo Finance。数据按时间顺序划分为训练集80%、验证集10%、测试集10%，并基于训练集实施最小—最大归一化。BWP/USD在周末和节假日存在缺失，研究依原文方法以0对原始价格序列进行对齐处理，再计算对数收益率。模型层面，DNN采用3层隐含层结构，Alpha-RNN引入时变平滑参数α以调节记忆长度，RTNN、DANN与KLIEP用于增强泛化与领域迁移比较。迁移学习时先在BWP/USD预训练，再在BTC/USD上重新估计，且不冻结任何层。评估指标包括MAE、MSE、RMSE、MFE、测试覆盖率、动态自适应区间宽度（AIW）及100日滚动Hurst指数，并结合SHAP（Shapley Additive exPlanations，沙普利加性解释）分析特征重要性。
在研究结果部分，论文按照不同任务层次展开。
3.1. Forecasting Performance Without Transfer Learning
该部分比较了DNN、Alpha-RNN、DANN、KLIEP和RTNN在BWP/USD市场上的预测能力。研究首先通过BWP/USD收盘价的时序图、核密度图、Q-Q图与箱线图说明该市场总体波动适中但存在阶段性极端变化。随后基于多项误差指标进行比较。结果显示，DNN具有较强且稳定的预测能力，能够较好捕捉BWP/USD的全局与长期动态；Alpha-RNN虽然测试覆盖率更高，但代价是训练时间更长、预测区间更宽，反映其更强调短期时间依赖与不确定性覆盖。RTNN则在多数指标上表现最佳，兼具较低MAE、较低MSE、较高测试覆盖率、较窄AIW与较快训练速度，说明其在预测精度、不确定性校准与计算效率之间实现了更优平衡。相较之下，DANN在该任务中出现明显负迁移，误差极大、覆盖率为0，表明对抗式领域对齐目标压制了回归预测目标；KLIEP训练极快，但点预测精度较差且区间校准不足，说明仅依赖分布重加权不足以刻画汇率序列的非线性和时间结构。进一步地，RTNN的99%预测区间显示真实值大多落于区间内，证明其样本外泛化能力较强。SHAP分析表明，BWP/USD预测主要由月度季节性、开盘价和周度模式驱动，而日内低价、日频日历效应和季度因素影响较弱，提示较粗粒度时间层级与开盘价格发现机制对该汇率市场更为关键。
3.2. Testing the Adaptive Market Hypothesis Without Transfer Learning
鉴于RTNN在BWP/USD上的预测效果最优，研究人员据此采用100日滚动Hurst指数检验AMH。结果显示，BWP/USD市场呈现显著且持续的正趋势行为，滚动Hurst指数均值为0.7284，最低值和最高值也始终高于0.5，且全部滚动窗口均表现为趋势持续而非均值回归或接近随机游走。图形结果进一步验证了这一点：滚动Hurst指数始终远离市场有效性的基准线H = 0.5。这表明BWP/USD市场并不符合弱式有效市场的静态假设，而是存在明显的时变可预测性，符合AMH关于“市场效率随环境变化而调整”的主张。结合前述RTNN预测结果，研究指出该市场具有能够被自适应模型捕捉的结构性变化与持续性行为。
3.3. Forecasting Performance with Transfer Learning
在迁移学习阶段，研究将BWP/USD作为源域、BTC/USD作为目标域，比较五类模型的跨市场迁移表现。结果表明，RTNN在BTC/USD上依然取得最优综合预测性能，其MSE、MAE、RMSE和MAPE均最低，同时具有99.0%的测试覆盖率与较窄AIW，说明该模型在适应比特币高波动性方面具备较强鲁棒性且偏差较低。Alpha-RNN的点预测精度较高，但训练时间极长，限制了其实用性；DNN具有中等表现，但在应对BTC/USD短期剧烈波动方面不及RTNN；DANN尽管优于KLIEP，但仍存在区间更宽、覆盖较弱的问题，显示在快速域迁移条件下，对抗训练并未充分解决异质性；KLIEP尽管训练几乎瞬时且覆盖率达到100%，但误差极大，不适于高波动市场的精确短期预测。图示中的RTNN条件均值拟合与99% AIW进一步说明，该模型在样本外能够较精确地跟踪BTC/USD价格。随后，研究利用SHAP解释RTNN迁移后在比特币市场中的特征贡献，结果显示开盘价、高价与低价等价格层级因素作用最显著，月份与季度等时间层级因素亦有重要贡献，而日、周和年层级作用较弱。这说明BTC/USD的可预测结构并非仅来源于价格序列本身，也与时间层次规律有关。
3.4. Transfer Learning to Test the Adaptive Market Hypothesis
在完成迁移建模后，研究再次使用100日滚动Hurst指数对BTC/USD进行AMH检验。结果显示，BTC/USD的滚动Hurst指数在整个样本期内持续高于0.5，且所有滚动窗口均表现为H > 0.5，没有接近随机行为或均值回归的窗口。这意味着比特币市场同样存在显著长程依赖与趋势持续性，其市场效率在时间上并非固定，而是呈现持续的适应性变化。更重要的是，BTC/USD与BWP/USD在持续性特征上具有相似性，表明长记忆可能是一种可跨市场迁移的结构属性。研究据此指出，即使从相对稳定的法定货币市场迁移到高波动加密货币市场，模型仍能够保留具有经济意义的信息结构，从而为跨市场预测、市场监测及风险管理提供依据。
讨论部分主要围绕三层含义展开。其一，从理论层面看，研究系统性地反驳了市场始终静态有效的观点，支持AMH所强调的效率动态演进机制。滚动Hurst指数与样本外预测表现共同表明，市场在不同阶段会呈现不同程度的可预测性，深度学习模型尤其是RTNN能够较好地识别这些变化。其二，从方法层面看，迁移学习并非对所有模型都同样有效，只有兼顾时间结构建模、参数灵活更新和不确定性校准的模型，才能在跨市场迁移中保持稳定性能；RTNN之所以优于DANN和KLIEP，说明单纯对抗对齐或分布重加权不足以替代对金融时间依赖结构的直接建模。其三，从应用层面看，研究结果对央行汇率监测、储备管理、外汇干预时机选择以及投资者趋势跟踪和动量策略设计均具有现实参考价值，但论文同时强调，算法预测的使用应建立在持续验证与审慎解释基础上，以降低模型同质化带来的系统性风险。
结论部分可译为：本研究通过应用深度学习架构——包括深度神经网络（DNN）、α-循环神经网络（Alpha-RNN）、领域对抗神经网络（DANN）、基于KLIEP的重要性加权回归以及循环时间神经网络（RTNN）——检验了法定货币市场与加密货币市场中的自适应市场假说。以BWP/USD汇率为基准市场、BTC/USD为迁移学习目标市场的实证结果一致支持AMH的核心命题，即市场效率是动态的而非固定的。在未使用迁移学习时，RTNN在BWP/USD市场中表现最佳，具有更高预测精度、更低偏差以及更优的不确定性校准；滚动Hurst指数分析进一步表明，所有滚动窗口均呈现持续趋势行为，从而否定了弱式有效性并支持市场适应性。将知识从较稳定的BWP/USD市场迁移至高度波动的BTC/USD市场后，RTNN在加密货币市场中同样保持最优表现，说明长记忆与持续性特征可以跨市场保留，且从成熟法定货币市场迁移至新兴数字资产市场具有经济意义。SHAP分析则表明，价格属性与时间层级特征共同塑造了预测表现。总体而言，基于深度学习的自适应模型为评估传统金融系统与数字金融系统中的动态市场效率提供了稳健且具有实证基础的方法。
