基于 FEDformer 的金融时间序列异常检测与风险预测混合框架
机器学习
2025-11-18 v1
摘要
金融市场具有内在的波动性，容易发生市场崩溃、闪崩和流动性危机等突发性中断。因此，准确检测金融时间序列中的异常并提前预测风险对于防止系统性不稳定和支持明智的投资决策至关重要。传统深度学习模型如 LSTM 和 GRU 常未能捕捉高度非平稳金融数据中的长期依赖关系和复杂周期模式。为此，本研究提出了基于 FEDformer 的混合框架用于金融时间序列的异常检测与风险预测，该框架将 Frequency Enhanced Decomposed Transformer (FEDformer) 与基于残差的异常检测器和风险预测头相集成。FEDformer 模块在时间和频率域建模时序动态，将信号分解为趋势和季节性分量以提高可解释性。基于残差的检测器通过分析预测误差识别异常波动，而风险预测头则利用学习到的潜在嵌入预测潜在金融危机。在 S&P 500、NASDAQ Composite 和布伦特原油数据集（2000-2024）上的实验表明，所提模型在基准方法上取得优异性能，异常检测 F1 分数提升 11.5%，RMSE 降低 15.7%。这些结果确认了该模型在捕捉金融波动、实现可靠的市场崩溃预测和风险管理方面的有效性。
引用
@article{arxiv.2511.12951,
title = {A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series},
author = {Ziling Fan and Ruijia Liang and Yiwen Hu},
journal= {arXiv preprint arXiv:2511.12951},
year = {2025}
}