KASPER：用于股票预测和可解释情景的Kolmogorov-Arnold网络
机器学习
2026-03-24 v1
摘要
金融市场的预测由于其非线性和情景依赖性动态性，仍然是一个重大的挑战。传统的深度学习模型，如长短期记忆网络和多层感知器，常常难以在变化的市场条件下进行泛化，这凸显了需要更具适应性和可解释性的方法。为此，本文引入Kolmogorov-Arnold网络用于股票预测和可解释情景（KASPER），这是一种新型框架，集成了情景检测、稀疏样条函数建模和符号规则提取。该框架使用Gumbel-Softmax机制识别隐藏市场条件，从而实现情景特定的预测。对于每个情景，它采用带稀疏样条激活的Kolmogorov-Arnold网络，以捕捉复杂的价格行为，同时保持稳健性。通过基于蒙特卡洛Shapley值的符号学习实现可解释性，这些值提取出针对每个情景的人类可读规则。应用于来自 Yahoo Finance 的真实金融时间序列数据，模型实现了0.89的 分数、12.02的夏普比率以及最低0.0001的均方误差，优于现有方法。该研究为金融市场中基于情景的、透明且稳健的预测开辟了新的方向。
引用
@article{arxiv.2507.18983,
title = {KASPER: Kolmogorov Arnold Networks for Stock Prediction and Explainable Regimes},
author = {Vidhi Oad and Param Pathak and Nouhaila Innan and Shalini D and Muhammad Shafique},
journal= {arXiv preprint arXiv:2507.18983},
year = {2026}
}
备注
11 pages, 7 figures, 3 tables