A Heterogeneous Encoding Disentangled Representation Network for Financial Time Series Forecasting

《Neural Networks》:A Heterogeneous Encoding Disentangled Representation Network for Financial Time Series Forecasting

【字体: 大 中 小 】 时间:2026年03月19日 来源:Neural Networks 6.3

编辑推荐:

  金融时间序列预测因非平稳性、市场噪声及多时间尺度复杂依赖关系而极具挑战性。现有先进模型虽在长期序列学习中表现有效,但通常依赖单流架构,难以解耦异构时间模式并保持上下文连贯性。为此,研究人员提出了HEDR-Net,一种新颖的异构编码解耦表示网络(Heteroge

  
金融时间序列预测因非平稳性、市场噪声及多时间尺度复杂依赖关系而极具挑战性。现有先进模型虽在长期序列学习中表现有效,但通常依赖单流架构,难以解耦异构时间模式并保持上下文连贯性。为此,研究人员提出了HEDR-Net,一种新颖的异构编码解耦表示网络(Heterogeneous Encoding Disentangled Representation Network),其核心在于结构特征解耦策略,实现了对趋势、波动和原始信号的协同建模。该方法采用小波引导分解将输入序列分离为三个语义不同的通道,随后通过结构特化的子网络进行编码:利用Mamba处理长期趋势,TCN(时间卷积网络)捕捉短期波动,iTransformer提取上下文动态。引入双交叉注意力机制(Dual Cross-Attention)以增强分支间交互,随后通过稀疏特征专家混合模块(Sparse Mixture of Feature Experts, Sparse-MoFE)进行高维表示压缩与自适应融合。在多只股票基准数据集上的广泛实验表明,HEDR-Net持续优于PatchTST和iTransformer等近期先进模型,在预测精度、鲁棒性和跨市场泛化能力方面均表现出色。这些结果证实了所提出的基于结构解耦和异构融合的设计在复杂金融条件下提升预测性能与可解释性的有效性。
该研究针对金融时间序列固有的非平稳性、高噪声及多尺度依赖复杂性,提出了一种名为异构编码解耦表示网络(HEDR-Net)的新型深度学习架构。论文发表于《Neural Networks》。研究人员首先指出,传统统计方法(如ARIMA、GARCH)受限于线性假设,难以捕捉市场非线性动态;而现有的深度学习方法(如LSTM、Transformer及其变体)虽然有所改进,但大多采用单一流架构,无法有效分离长期趋势与短期波动,导致模型在极端市场环境下鲁棒性不足。为了解决这一问题,研究团队构建了HEDR-Net,旨在通过结构特征解耦与异构融合实现高精度预测。
为实现上述目标,研究人员采用了若干关键技术方法。首先是小波引导的特征解耦,利用离散小波变换(DWT)将原始序列分解为低频趋势成分和高频波动成分,并保留原始序列作为第三通道。其次是异构三分支建模架构,分别为趋势分支配备Mamba(选择性状态空间模型),波动分支配备时间卷积网络(TCN),原始分支配备iTransformer,以实现对不同时间尺度特征的针对性编码。随后引入双交叉注意力机制促进模态间交互,并最终通过稀疏特征专家混合模块(Sparse-MoFE)实现高维特征的动态路由与自适应融合。实验数据来源于NASDAQ 100和S&P 500两大股票市场指数。
研究结果如下:
1. 异构编码解耦表示网络
研究人员设计了HEDR-Net的整体架构。通过小波分解获得趋势、波动和原始三个语义通道,并利用结构各异的子网络(TrendModule, FluctuationModule, RawModule)分别处理。这种“分而治之”的策略使得各模块专注于特定任务,显著提升了模型的整体准确性与鲁棒性。
2. 小波引导特征解耦
利用Daubechies 4 (db4)小波对原始股价序列进行多级分解。如图2所示,该方法有效分离了长期趋势与短期噪声,为后续建模提供了清晰的输入基础,解决了原始信号中高低频混杂的问题。
3. 异构建模
  • •
    趋势感知编码:利用Mamba块构建TrendModule,其线性复杂度和对长程依赖的捕捉能力使其非常适合处理平滑后的趋势成分。
  • •
    局部波动编码:利用带扩张卷积的TCN构建FluctuationModule,其并行计算能力和对局部跳变的敏感性使其能有效提取高频波动特征。
  • •
    原始序列编码:利用轻量级iTransformer处理原始序列,通过变量维度的注意力机制捕捉全局上下文动态。
4. 双交叉注意力融合
研究人员提出了一种双向交叉注意力机制,以原始特征为Key和Value,分别与趋势特征和波动特征进行交互。这种机制显式地建模了模态间的依赖关系,并通过加权聚合生成统一的融合表示,避免了传统拼接或加法融合的信息损失。
5. Sparse-MoFE表示增强
在融合阶段引入稀疏专家混合模块(Sparse-MoFE)。不同于传统MoE用于容量扩展,该模块部署于融合层,通过门控网络动态选择最优的非线性变换路径,实现了对高维融合特征的选择性增强,同时控制了计算开销。
6. 实验
在两个主要股票市场指数(NASDAQ 100和S&P 500)上的实验表明,HEDR-Net在1步、5步、10步和20步预测任务中均持续优于主流模型。如表2所示,HEDR-Net在所有预测跨度下均取得了最低的MAE和RMSE以及最高的R2值。特别是在20步长程预测中,HEDR-Net的MAE为5.70,显著优于iTransformer的6.72。此外,消融实验(表1)验证了三分支结构、双交叉注意力和Sparse-MoFE各自对性能提升的贡献。
综上所述,讨论部分指出,HEDR-Net的核心创新在于其以结构特征解耦为中心的架构设计,实现了分解建模与融合策略的协调优化。通过显式地将时间序列分离为趋势、波动和原始组件,并结合Mamba、TCN和iTransformer的异构优势,该模型成功克服了单流架构在处理复杂金融数据时的瓶颈。实验结果证实,该模型不仅在预测精度上具有显著优势,还具备良好的跨市场泛化能力,为复杂的非平稳金融时间序列建模提供了一种有效的统一范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号