HANET：基于層次化混合頻率注意力模型的宏觀感知時間序列預測——學海拾珠系列之二百七十七.pdf

上傳者：5****
時間：2026/07/04
熱度：56
0人點贊
舉報

本文介紹了一種名為HANET（層次化注意力網絡）的混合預測架構，旨在解決金融深度學習中小樣本、非平穩性及宏觀低頻與交易高頻數據頻率錯配的問題。HANET借鑒少樣本檢索式注意力范式，提出了一種層次化交叉注意力機制，通過在月度宏觀網格上計算注意力并將結果權重投射到日度交易網格上，橋接不同的數據頻率。該機制在查詢/鍵使用月度宏觀信息以識別歷史體制，在值保留日度市場信息以執行交易決策，從而在不犧牲高頻信息顆粒度的前提下整合宏觀背景。實證結果顯示，在涵蓋55種流動性期貨的多資產環境中，HANET在時間序列動量任務中將夏普比率提升至1.99，在套利任務中提升至0.91，顯著優于LSTM基準和經典規則信號。消融實驗表明，HANET的性能提升依賴于宏觀信息的時間結構和層次化注意力機制，而非簡單的特征拼接。此外，HANET的注意力權重提供了可解釋的“體制記憶”機制，模型能夠根據當前宏觀環境動態檢索歷史相似體制，如在COVID-19期間檢索2008年危機記憶，在2022年通脹期間檢索1980年代高通脹記憶，展現出跨周期的類比能力和穩健的預測性能。