HANET：基于层次化混合频率注意力模型的宏观感知时间序列预测——学海拾珠系列之二百七十七.pdf

上传者：5****
时间：2026/07/04
热度：60
0人点赞
举报

本文介绍了一种名为HANET（层次化注意力网络）的混合预测架构，旨在解决金融深度学习中小样本、非平稳性及宏观低频与交易高频数据频率错配的问题。HANET借鉴少样本检索式注意力范式，提出了一种层次化交叉注意力机制，通过在月度宏观网格上计算注意力并将结果权重投射到日度交易网格上，桥接不同的数据频率。该机制在查询/键使用月度宏观信息以识别历史体制，在值保留日度市场信息以执行交易决策，从而在不牺牲高频信息颗粒度的前提下整合宏观背景。实证结果显示，在涵盖55种流动性期货的多资产环境中，HANET在时间序列动量任务中将夏普比率提升至1.99，在套利任务中提升至0.91，显著优于LSTM基准和经典规则信号。消融实验表明，HANET的性能提升依赖于宏观信息的时间结构和层次化注意力机制，而非简单的特征拼接。此外，HANET的注意力权重提供了可解释的“体制记忆”机制，模型能够根据当前宏观环境动态检索历史相似体制，如在COVID-19期间检索2008年危机记忆，在2022年通胀期间检索1980年代高通胀记忆，展现出跨周期的类比能力和稳健的预测性能。