一种用于可靠金融时间序列预测的两阶段学习架构

《Neurocomputing》：A two-stage learning architecture for reliable financial time series forecasting

　　摘要：金融时间序列具有噪声大、非平稳性高且波动性强的特点，这使得精确预测变得尤为困难。现有的先进时间序列基础模型在具有明显季节性或趋势性的基准问题上表现优异，例如能源需求或交通流量预测，但在信号与噪声比较低的金融市场中却难以给出可靠的预测结果。为解决这一局限，我们提出了一种两阶段学习架构，将短期趋势预测转化为选择性分类问题。第一阶段是一个主要的预测模型，用于输出上升/下降的方向性预测；第二阶段则引入一个经过学习的可靠性估计器，用于分析主要模型的误差特征。通过这种将预测与可靠性估计明确分离的方式，系统能够识别出主要模型可能给出错误预测的情况。所提出的架构支持选择性推理，即仅对第二阶段判定为可靠的样本执行决策。我们在风险-覆盖优化框架内对这一机制进行了形式化处理，从而能够精确控制预测精度与执行频率之间的权衡。该方法不依赖特定模型，可无缝集成到现代神经网络预测模型中，包括各种时间序列基础模型。在加密货币和股票市场上的大量实验表明，与非选择性基准方法相比，该方法的预测精度平均提升了14%，同时风险降低了14%。基于简单交易策略的历史回测也验证了该方法的实用性。

引言：在金融领域，预测一直是金融研究人员和投资者的重要目标。然而，由于数据的非平稳性、低信噪比以及极高的波动性，准确预测股票或加密货币等资产的价格依然十分困难[14]。近年来，基于Transformer的架构在自然语言处理和计算机视觉领域取得了巨大成功，诸如GPT系列模型[41]和视觉Transformer（ViT）[17]便是典型代表。这类模型的一个显著特点是它们能够以少量样本甚至零样本的方式进行分析，几乎无需额外微调[9]。受此启发，研究人员开始将时间序列预测视为类似语言建模的下一符号预测任务，进而开发出了在海量时间数据集上训练的专用时间序列基础模型[3][5][30][44]。不过，这些模型仍存在一个关键缺陷：虽然它们擅长捕捉明显的周期性规律，但对于金融数据的特殊性质却往往处理不当。近期研究显示，当数据缺乏清晰模式时，通用大型语言模型也会失效[51]，即便是专门设计的基础模型，也难以应对金融时间序列的不规则性[36]。为解决这一问题，我们提出通过将预测问题分解为两个独立任务来改进用于金融领域的时间序列基础模型：1.方向预测：资产价格可能呈现何种走势（上升或下降）？2.预测可靠性：该方向性预测是否可靠？这种决策分离的概念最早由[14]提出，称为元标签机制。在此机制中，主要模型M1负责预测价格走势的方向，而另一个独立的次要模型M2则用于评估M1预测的置信度或可靠性。这种分离方式具有三大优势：首先，通过分解任务可以减少过拟合现象，确保方向预测与置信度估计这两个独立任务不会相互干扰；其次，它能够解决市场不对称性问题，使模型能够分别处理“上升”和“下降”信号的可靠性，从而更好地适应不同市场环境下的动态变化；最后，它将优化重点转向精度与风险控制。次要模型起到过滤作用，优先排除误报，而非追求有限的盈利机会。在医疗保健、自动驾驶和算法交易等对误报容忍度极低的高风险领域，这种方法是至关重要的[48][22]。在交易场景中，若模型预测资产价格将上升（或下降），而实际市场却持续下跌（或上涨），就会出现误报，此类错误可能导致财务损失，因此必须尽量减少。通过过滤掉不可靠的预测，我们实现了选择性分类[20][22]。这种方法虽能显著提升预测精度（降低风险），但会以降低预测覆盖率（即模型能够提供预测的样本比例）为代价。因此，核心挑战在于设计一种机制，在确保足够预测覆盖率以捕捉交易机会的同时，最大化选定数据点的预测性能。为此，我们提出采用两阶段学习架构。具体而言，我们以多种先进的時間序列基础模型作为主要模型M1，包括Chronos和Chronos-Bolt[3]、TimeGPT-1[21]以及TiRex[5]；对于次要模型M2，我们借鉴Zeng等人的研究[59]，设计了结合卷积神经网络和Transformer的混合架构。这种混合架构非常适合处理金融数据——卷积神经网络能够有效捕捉局部模式（短期价格走势），而Transformer的自注意力机制则可用于分析长距离依赖关系和季节性特征[64]。我们在包括股票和加密货币在内的多种资产上，基于每日价格变动情况，对所提出的两阶段学习架构进行了测试。本文的主要贡献如下：•我们将短期金融趋势预测形式化为两阶段架构中的选择性推理任务，其中主要模型负责预测价格走势的方向，次要模型则通过学习哪些输入序列对应可靠预测、哪些对应不可靠预测，来评估主要模型的可靠性。由此形成的两阶段学习架构能够实现选择性决策，只有当预测被认定为足够可靠时才会执行。•我们将决策过程形式化为风险-覆盖优化问题，从而在预测精度与执行频率之间实现精确控制，进而最大化预测性能。•我们在多种加密货币和股票上验证了该方法在提升预测精度及经济可行性方面的优势。本文其余部分结构如下：第2节回顾相关文献；第3节介绍符号与关键定义，并正式阐述选择性金融时间序列短期趋势预测问题；第4节详细介绍我们的方法；第5节阐述实验设计；第6节展示实证结果、消融实验及回测结果，并讨论存在的局限性；最后，第7节对全文进行总结，并指出未来研究的方向。