
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于混合ARIMA-QuadGRU注意力机制的波动适应性时间学习框架,用于多情境金融预测
《Scientific Reports》:Volatility-adaptive temporal learning framework using hybrid ARIMA-QuadGRU attention for multi-regime financial forecasting
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要常规的金融市场预测模型面临着市场非平稳性、制度变革、结构性突变以及市场波动聚集现象等挑战。线性预测方法在预测方向上的准确性有限,因为它们无法捕捉非线性行为和长期依赖性。针对这些挑战,我们提出了一种多制度意识的深度时间预测框架,该框架结合了自回归积分滑动平均(ARIMA)统计建
常规的金融市场预测模型面临着市场非平稳性、制度变革、结构性突变以及市场波动聚集现象等挑战。线性预测方法在预测方向上的准确性有限,因为它们无法捕捉非线性行为和长期依赖性。针对这些挑战,我们提出了一种多制度意识的深度时间预测框架,该框架结合了自回归积分滑动平均(ARIMA)统计建模技术,并根据数据波动性灵活融合了新型的四门控循环单元(QuadGRU)和多头注意力机制(8个头部)。该框架使用了来自Yahoo Finance API的NIFTY-50指数15年的日市场价格数据(2010–2025年)进行测试。我们的数据处理流程包括对数据进行标准化处理,利用隔离森林(IsFo)算法对异常值进行过滤(仅进行训练拟合),最后通过移动平均线、相对强弱指数和动量振荡器等技术指标进行制度依赖型特征工程。梯度提升机(GBM)用于特征重要性排序,主成分分析(PCA)用于特征的正交表示。在序列建模之前,利用格兰杰因果关系检验来确定预测因子之间的时间因果关系。ARIMA用于处理短期线性成分,QuadGRU用于处理短期非线性成分。这种混合预测架构具有良好的适应性,能够在整个波动范围内调节记忆机制,多头注意力机制则实现了历史信息的有解释性加权。与基线模型ARIMA、LSTM和GRU相比,我们的模型在MSE(标准化[0,1]范围内改进了0.012 ± 0.003,相当于14,850个指数点的MSE)、RMSE(标准化后改善了0.110 ± 0.014,相当于121.8个指数点)、MAE(标准化后改善了0.084 ± 0.011,相当于93.1个指数点)以及方向准确性(87.5 ± 2.1%),尤其是在高波动性时期。我们还通过误差方差分布分析、自助法预测误差分布、波动条件误差分析、格兰杰因果关系验证、异常检测率和假阳性率以及预测稳定性指标来统计验证我们的性能提升。结果表明,所提出的制度转换混合预测方法是一种可扩展的金融时间序列预测方法,能够有效应对市场条件的变化,为投资者、投资组合经理和金融分析师在波动市场中做出投资决策提供了实用工具。