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研究

研究背景与核心挑战

金融深度学习领域长期面临小样本、非平稳性及结构性突变三重制约。在宏观经济预测与交易决策中，存在显著的数据频率错配问题：宏观数据通常为月度低频，而交易决策依赖日度高频信号。传统的深度学习模型在处理此类混合频率数据时，往往难以在保留日度高频信息颗粒度的同时，有效利用低频宏观历史中的体制信息。此外，宏观数据维度高且发布存在滞后，直接拼接宏观因子至日度特征向量中，容易引入噪声或导致时间对齐不匹配，从而降低模型性能。

为解决上述问题，本文提出了一种名为HANET（层次化注意力网络）的混合架构。该架构借鉴少样本检索式注意力的建模思路，旨在探索能否在不牺牲日度高频信息的前提下，使模型学会在低频宏观历史中检索相似体制，并在高频数据上执行交易决策。通过将检索式注意力范式扩展为对完整低频宏观历史进行注意力，并设计层次化机制，HANET将月度体制检索结果投射回日度网格，从而在查询/键使用月度宏观信息、值保留日度市场信息的结构下完成条件化预测。

HANET模型架构与机制

HANET的核心创新在于其层次化混合频率注意力机制。该机制将注意力计算分为两个层级：首先，在月度频率上操作查询和键，以识别相关的历史宏观体制；其次，值保留细粒度的日度市场信息。具体而言，当前月份的宏观状态被编码为查询表示，完整的宏观历史被编码为一系列键嵌入，而值表示则从高频市场信息构建。通过引入可学习的温度参数，模型可以控制月度注意力分布的尖锐度，从而在历史宏观月份间进行选择性检索。

在计算月度注意力权重后，HANET将其投射到日度网格上，以重新加权高频表示。这种设计将决策锚定在低频基本面上，同时保持高频信号的完整性。与传统的特征拼接方法不同，HANET通过交叉注意力机制，使模型能够动态地根据当前宏观状态，从历史宏观数据中检索最相关的体制信息，并将其与日度市场信号融合。这种结构化的宏观交叉注意力机制，显著优于简单的特征拼接，能够更有效地捕捉宏观体制与资产收益之间的非线性关系。

实证结果与性能评估

本文在涵盖大宗商品、债券、货币和股票指数等55种流动性期货的多资产环境中，对HANET进行了实证评估。实验主要聚焦于时间序列动量和套利两个任务。结果显示，HANET在动量任务中表现优异，其夏普比率提升至1.99，显著优于LSTM基准的1.19和经典规则信号。在套利任务中，HANET的夏普比率也提升至0.91，优于LSTM基准的0.76和经典套利信号。

消融实验进一步验证了HANET架构的有效性。将宏观PCA因子直接拼接至LSTM的模型表现远差于标准LSTM，表明简单拼接可能引入噪声。而HANET通过层次化交叉注意力引入相同的宏观因子，不仅克服了这一问题，还带来了实质性且一致的改进。打乱宏观时间结构的消融实验显示，模型性能显著下降，确认模型正在利用宏观环境中有意义的时间模式，而非仅仅受益于额外参数或宏观因子的统计特性。

可解释性与体制记忆

HANET的注意力权重提供了可解释的“体制记忆”机制。可视化分析显示，模型呈现“稀疏定位型”与“密集背景型”分化。稀疏头锁定沃尔克紧缩、2008年危机等结构性节点，而密集头提供弥散的周期性背景。在极端事件期间，模型展现出跨周期的类比能力。例如，在COVID-19冲击期间，模型上调了2008年危机的权重，利用其长期记忆导航流动性危机；在2022年通胀飙升期间，模型转而激活1980年代初高通胀的记忆，显示出与历史相似宏观环境相匹配的能力。

这种可解释性不仅揭示了模型内部的学习逻辑，也为宏观条件、交易信号和投资组合表现之间的联系提供了视角。HANET通过动态导航44年的宏观历史，将当前市场条件与历史上相似的宏观经济环境相关联，从而在动荡时期提供更稳健的预测和交易决策。这一机制为金融深度学习中的体制识别提供了一种新的范式，即不承诺单一离散体制分类，而是将体制识别构建为对长期宏观历史的软注意力问题。