DecoKAN：面向加密货币市场动态的可解释分解方法
机器学习
2025-12-24 v1 人工智能
摘要
准确且可解释的多变量时间序列预测对于理解数字资产系统中加密货币市场的复杂动态至关重要。Transformer 架构和MLP 架构已在加密货币预测任务中取得竞争性的预测性能。然而，加密货币数据本质上由长期社会经济趋势和局部高频投机振荡组成。现有的基于深度学习的“黑箱”模型无法有效分离这些复合动态，或为可信赖的金融决策提供所需的可解释性。为克服这些限制，我们提出DecoKAN，一种可解释的预测框架，将多级离散小波变换（DWT）用于分解和层次信号分解，与Kolmogorov-Arnold Network（KAN）混合器集成，以实现透明且可解释的非线性建模。DWT 组件将复杂的加密货币时间序列分解为离散频率分量，使其能够进行频率特定的分析，而KAN 混合器则在每个分解子序列中提供内在可解释的样条基映射。此外，通过稀疏化、修剪和符号化，增强可解释性，产生简洁的分析表达式，提供所学模式的符号表示。广泛的实验表明，DecoKAN在所有测试的真实世界加密货币数据集（BTC、ETH、XMR）上实现平均均方误差最低，持续优于综合的多种最先进基准方法。这些结果验证了DecoKAN在预测精度与模型透明度之间架起了桥梁，推动了复杂加密货币市场中可信赖的决策支持。
引用
@article{arxiv.2512.20028,
title = {DecoKAN: Interpretable Decomposition for Forecasting Cryptocurrency Market Dynamics},
author = {Yuan Gao and Zhenguo Dong and Xuelong Wang and Zhiqiang Wang and Yong Zhang and Shaofan Wang},
journal= {arXiv preprint arXiv:2512.20028},
year = {2025}
}