用于加密货币价格预测的自适应时间融合 Transformer
统计金融
2025-09-16 v1 计算工程、金融与科学
机器学习
摘要
在高度波动的加密货币市场中，精确的短期价格预测对于制定明智的交易策略至关重要。尽管时间融合 Transformer（Temporal Fusion Transformers, TFT）已展现出潜力，但直接使用它们在面对市场的非平稳特性和极端波动时往往存在困难。本文引入了一种自适应 TFT 建模方法，利用动态子序列长度和基于模式的分类来增强短期预测。我们提出了一种新颖的分割方法，其中子序列在相对极大值处结束，该极大值是在价格从前一极小值的上涨超过阈值时识别的，从而捕捉显著的上涨走势，这些走势作为增长阶段结束的关键标志，同时可能过滤噪声。关键在于，结束每个子序列的固定长度模式决定了分配给后续可变长度子序列的类别，从而将遵循相似前置条件的典型市场响应进行分组。为每个类别训练的独立 TFT 模型专门用于基于这些后续子序列在前一峰值之后的初始步骤来预测其演变。在两个月的测试期内，基于 ETH-USDT 10 分钟数据的实验结果表明，我们的自适应方法在预测准确性和模拟交易盈利能力上均显著优于基线固定长度 TFT 和 LSTM 模型。我们的自适应分割与模式条件预测相结合的方法，实现了更稳健、更灵敏的加密货币价格预测。
引用
@article{arxiv.2509.10542,
title = {Adaptive Temporal Fusion Transformers for Cryptocurrency Price Prediction},
author = {Arash Peik and Mohammad Ali Zare Chahooki and Amin Milani Fard and Mehdi Agha Sarram},
journal= {arXiv preprint arXiv:2509.10542},
year = {2025}
}