一种基于频率引导的多尺度分解方法和补丁变换器，用于多元加密货币时间序列预测

《Scientific Reports》：A frequency-guided multi-scale decomposition and patch transformer for multivariate cryptocurrency time-series forecasting

　　

摘要

多变量加密货币预测具有挑战性，因为市场序列表现出非平稳性、变量间的相互依赖性、不同的时间尺度以及突然的短期波动。尽管基于Transformer的预测模型能够捕捉长期时间关系，但直接对原始的高频序列进行建模可能会掩盖主要的周期性结构，并增加计算成本。本研究提出了一种频率引导的多尺度分解和补丁Transformer（称为FMDP-Transformer），用于多变量加密货币时间序列预测。首先，一个频率引导的多尺度表示模块从傅里叶振幅谱中估计主要的时间周期，并通过周期性依赖的平均池化构建特定于尺度的表示。该模块旨在提取多尺度周期性信息并减弱短期干扰，而不是进行显式的异常检测。其次，将得到的表示分解为趋势成分和残差成分。使用轻量级的线性投影进行简洁的趋势外推，而残差成分被划分为重叠的补丁，并通过Transformer编码器进行处理，以模拟局部和长期的时间依赖性。随后将两个分支产生的预测结果进行合并。通过对G-Research Crypto Forecasting数据集中的比特币、Dogecoin和Binance Coin数据进行的实验，评估了该模型在多个预测时期的表现。通过与循环模型、基于分解的模型、基于补丁的模型、倒置Transformer模型以及多尺度预测模型的比较，结合组件消融分析和计算复杂性分析，来评估其有效性。结果表明，频率引导的多尺度表示、分解和补丁标记化为多变量加密货币预测提供了互补的优势。然而，所提出的频率引导平滑操作并未明确识别统计异常，突发市场走势可能包含预测信息而非噪声。