桥接短期与长期依赖：一种用于金融时间序列预测的CNN-Transformer混合模型
综合经济学
2025-04-29 v1 经济学
摘要
时间序列预测是贯穿于各个领域决策中的关键环节，尤其在金融市场上，股票价格表现出复杂且非线性的行为。由于难以捕捉数据中短期波动与长期依赖的双重特征，准确预测未来价格走势颇具挑战。卷积神经网络（CNN）擅长建模局部、短期模式，但因感受野有限，难以处理长程依赖。相比之下，Transformer在捕捉全局时序关系和建模长期趋势方面表现突出。本文提出一种混合架构，结合CNN与Transformer，有效地对金融时间序列数据中的短期与长期依赖进行建模。我们将其应用于S&P 500成分股的涨跌幅预测，并证明该模型在日内股票价格预测中超越传统统计模型和流行的深度学习方法，为金融预测提供了稳健的框架。
引用
@article{arxiv.2504.19309,
title = {Bridging Short- and Long-Term Dependencies: A CNN-Transformer Hybrid for Financial Time Series Forecasting},
author = {Tiantian Tu},
journal= {arXiv preprint arXiv:2504.19309},
year = {2025}
}
备注
10 pages