从模式到预测：基于形状子的框架在嘈杂的金融市场中进行方向预测

于红博

摘要: 金融市场中的方向预测需要准确性和可解释性。在深度学习出现之前，基于人类定义的模式的可解释方法盛行，但它们的结构模糊和规模模糊阻碍了泛化。相反，深度学习模型可以有效捕捉复杂动态，但通常提供有限的透明度。为了弥合这一差距，我们提出了一个整合无监督模式提取和可解释预测的两阶段框架。SIMPC将多变量时间序列分段并聚类，提取出具有不变振幅缩放和时间扭曲性质的经常出现的模式，即使在不同的窗口大小下也是如此。JISC-Net是一种基于形状特征的分类器，使用提取模式的初始部分作为输入，预测短期方向运动的后续部分序列。对比特币和三只标普500股票的实验表明，我们的方法在12个指标-数据集组合中的11个中排名第一或第二，始终优于基线。与传统的深度学习模型输出缺乏可解释性理由的买卖信号不同，我们的方法通过揭示驱动预测结果的基础模式结构，实现透明决策。

更新时间: 2025-09-18 15:05:27

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2509.15040v1