多变量股票预测深度Transformer中可视化解释的全局-局部聚合

《IEEE Transactions on Computational Social Systems》：Global-Local Aggregation of Visual Explanations in Deep Transformers of Multivariate Stock Prediction

　　摘要：本研究提出一个可解释的股票预测框架，将 Transformer 与基于梯度的类激活映射（Grad-CAM）相结合，并对比仅使用自回归输入与选定多变量输入的效果。全局-局部聚合（GLA）对来自多个 Transformer 层的、经最小-最大归一化的 Grad-CAM 图进行聚合。学习型层权 GLA 使用在验证数据上选出的不等权重，而均匀 GLA 则赋予各层相等权重。因此，本研究的贡献在于聚合与验证框架，而非把算术平均作为一种新算子。我们还将 GLA 与 Shapley 加性解释（SHAPs）及积分梯度（IGs）进行比较，发现在高归因特征上结论一致，且计算成本大幅降低。在规模较小的雅加达伊斯兰指数（JII）数据集上，自回归信息主导短期预测。然而，选定的三输入模型将稳定窗口下的平均绝对百分比误差（MAPE）从 0.745% 降至 0.610%。选定的多变量输入同时将 NIFTY50 的 MAPE 从 4.202% 降至 3.761%，而在标普500（S&P500）上与单变量输入保持统计上的可比性。十种子配对 t 检验与精确 Wilcoxon 检验支持了稳定窗口下 JII 与 NIFTY50 的改善。学习型层权 GLA 在标普500和 NIFTY50 上提升了完整排序扰动下的忠实度，而在 JII 上与均匀 GLA 保持统计平局。这些结果表明，多变量输入与不等层权重都能带来依赖于场景的收益。因此，该框架提供的是具有竞争力的预测能力和透明的模型归因诊断，而非因果解释。