从模式到预测：面向噪声金融市场的基于形状基元的方向性预测框架
机器学习
2025-09-19 v1 人工智能
摘要
金融市场的方向性预测需要同时具备准确性和可解释性。在深度学习问世之前，可解释的方法基于人类定义的模式占主导地位，但其结构模糊和尺度模糊性阻碍了泛化。在 contrast，深度学习模型能够有效捕捉复杂动态，但往往提供有限的透明度。为弥合这一差距，我们提出了一个集成无监督模式提取与可解释预测的两阶段框架。(i) SIMPC 对多变量时间序列进行分段和聚类，提取对�幅缩放和时间扭曲不变的循环模式，即使在不同的窗口大小下也能如期。(ii) JISC-Net 是一种基于形状基元的分类器，使用提取模式的前部分作为输入，对后续部分序列进行短期方向性运动预测。在比特币和三只 S&P 500 股票期间的实验表明，我们的方法在 11/12 个指标-数据集组合中排名第一或第二，始终优于基准方法。不同于传统深度学习模型输出买卖信号而不提供可解释依据的做法，我们的方法通过揭示驱动预测结果的底层模式结构，实现了透明的决策-making。
引用
@article{arxiv.2509.15040,
title = {From Patterns to Predictions: A Shapelet-Based Framework for Directional Forecasting in Noisy Financial Markets},
author = {Juwon Kim and Hyunwook Lee and Hyotaek Jeon and Seungmin Jin and Sungahn Ko},
journal= {arXiv preprint arXiv:2509.15040},
year = {2025}
}
备注
10 pages, 7 figures, accepted at ACM CIKM 2025 conference