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研究

研究背景與核心挑戰(zhàn)

金融深度學習領域長期面臨小樣本、非平穩(wěn)性及結(jié)構(gòu)性突變?nèi)刂萍s。在宏觀經(jīng)濟預測與交易決策中，存在顯著的數(shù)據(jù)頻率錯配問題：宏觀數(shù)據(jù)通常為月度低頻，而交易決策依賴日度高頻信號。傳統(tǒng)的深度學習模型在處理此類混合頻率數(shù)據(jù)時，往往難以在保留日度高頻信息顆粒度的同時，有效利用低頻宏觀歷史中的體制信息。此外，宏觀數(shù)據(jù)維度高且發(fā)布存在滯后，直接拼接宏觀因子至日度特征向量中，容易引入噪聲或?qū)е聲r間對齊不匹配，從而降低模型性能。

為解決上述問題，本文提出了一種名為HANET（層次化注意力網(wǎng)絡）的混合架構(gòu)。該架構(gòu)借鑒少樣本檢索式注意力的建模思路，旨在探索能否在不犧牲日度高頻信息的前提下，使模型學會在低頻宏觀歷史中檢索相似體制，并在高頻數(shù)據(jù)上執(zhí)行交易決策。通過將檢索式注意力范式擴展為對完整低頻宏觀歷史進行注意力，并設計層次化機制，HANET將月度體制檢索結(jié)果投射回日度網(wǎng)格，從而在查詢/鍵使用月度宏觀信息、值保留日度市場信息的結(jié)構(gòu)下完成條件化預測。

HANET模型架構(gòu)與機制

HANET的核心創(chuàng)新在于其層次化混合頻率注意力機制。該機制將注意力計算分為兩個層級：首先，在月度頻率上操作查詢和鍵，以識別相關(guān)的歷史宏觀體制；其次，值保留細粒度的日度市場信息。具體而言，當前月份的宏觀狀態(tài)被編碼為查詢表示，完整的宏觀歷史被編碼為一系列鍵嵌入，而值表示則從高頻市場信息構(gòu)建。通過引入可學習的溫度參數(shù)，模型可以控制月度注意力分布的尖銳度，從而在歷史宏觀月份間進行選擇性檢索。

在計算月度注意力權(quán)重后，HANET將其投射到日度網(wǎng)格上，以重新加權(quán)高頻表示。這種設計將決策錨定在低頻基本面上，同時保持高頻信號的完整性。與傳統(tǒng)的特征拼接方法不同，HANET通過交叉注意力機制，使模型能夠動態(tài)地根據(jù)當前宏觀狀態(tài)，從歷史宏觀數(shù)據(jù)中檢索最相關(guān)的體制信息，并將其與日度市場信號融合。這種結(jié)構(gòu)化的宏觀交叉注意力機制，顯著優(yōu)于簡單的特征拼接，能夠更有效地捕捉宏觀體制與資產(chǎn)收益之間的非線性關(guān)系。

實證結(jié)果與性能評估

本文在涵蓋大宗商品、債券、貨幣和股票指數(shù)等55種流動性期貨的多資產(chǎn)環(huán)境中，對HANET進行了實證評估。實驗主要聚焦于時間序列動量和套利兩個任務。結(jié)果顯示，HANET在動量任務中表現(xiàn)優(yōu)異，其夏普比率提升至1.99，顯著優(yōu)于LSTM基準的1.19和經(jīng)典規(guī)則信號。在套利任務中，HANET的夏普比率也提升至0.91，優(yōu)于LSTM基準的0.76和經(jīng)典套利信號。

消融實驗進一步驗證了HANET架構(gòu)的有效性。將宏觀PCA因子直接拼接至LSTM的模型表現(xiàn)遠差于標準LSTM，表明簡單拼接可能引入噪聲。而HANET通過層次化交叉注意力引入相同的宏觀因子，不僅克服了這一問題，還帶來了實質(zhì)性且一致的改進。打亂宏觀時間結(jié)構(gòu)的消融實驗顯示，模型性能顯著下降，確認模型正在利用宏觀環(huán)境中有意義的時間模式，而非僅僅受益于額外參數(shù)或宏觀因子的統(tǒng)計特性。

可解釋性與體制記憶

HANET的注意力權(quán)重提供了可解釋的“體制記憶”機制。可視化分析顯示，模型呈現(xiàn)“稀疏定位型”與“密集背景型”分化。稀疏頭鎖定沃爾克緊縮、2008年危機等結(jié)構(gòu)性節(jié)點，而密集頭提供彌散的周期性背景。在極端事件期間，模型展現(xiàn)出跨周期的類比能力。例如，在COVID-19沖擊期間，模型上調(diào)了2008年危機的權(quán)重，利用其長期記憶導航流動性危機；在2022年通脹飆升期間，模型轉(zhuǎn)而激活1980年代初高通脹的記憶，顯示出與歷史相似宏觀環(huán)境相匹配的能力。

這種可解釋性不僅揭示了模型內(nèi)部的學習邏輯，也為宏觀條件、交易信號和投資組合表現(xiàn)之間的聯(lián)系提供了視角。HANET通過動態(tài)導航44年的宏觀歷史，將當前市場條件與歷史上相似的宏觀經(jīng)濟環(huán)境相關(guān)聯(lián)，從而在動蕩時期提供更穩(wěn)健的預測和交易決策。這一機制為金融深度學習中的體制識別提供了一種新的范式，即不承諾單一離散體制分類，而是將體制識別構(gòu)建為對長期宏觀歷史的軟注意力問題。