用于股票时间序列预测的分层信息引导时空 Mamba
机器学习
2025-03-17 v1 人工智能
摘要
Mamba 因其卓越的选择机制在各种时间序列预测任务中表现出优异的性能。然而，传统的基于 Mamba 的模型在准确预测股票时间序列时遇到了重大挑战，因为它们未能充分捕捉总体市场动态以及个股之间错综复杂的相互依赖关系。为了克服这些限制，我们引入了分层信息引导时空 Mamba（HIGSTM）框架。HIGSTM 引入了指数引导频率滤波分解，以从时间序列中提取共性和特异性。该模型架构具有精心设计的分层框架，能够系统地捕捉股票市场中的时间动态模式和全局静态关系。此外，我们提出了信息引导 Mamba，将宏观信息集成到序列选择过程中，从而促进更具市场意识的决策。在 CSI500、CSI800 和 CSI1000 数据集上进行的综合实验评估表明，HIGSTM 达到了 SOTA 性能。
引用
@article{arxiv.2503.11387,
title = {Hierarchical Information-Guided Spatio-Temporal Mamba for Stock Time Series Forecasting},
author = {Wenbo Yan and Shurui Wang and Ying Tan},
journal= {arXiv preprint arXiv:2503.11387},
year = {2025}
}