基于脉冲神经网络的高频金融数据价格走势预测

现代高频交易 (HFT) 环境以突然的价格尖峰为特征，这既构成风险也带来机遇，但常规金融模型往往无法捕捉所需的细粒度时序结构。脉冲神经网络 (SNN) 由于其处理离散事件并保持毫秒级时序的天然能力，非常适用于应对这些挑战。本文探讨了将 SNN 应用于高频价格尖峰预测的问题，通过鲁棒的贝叶斯优化 (BO) 进行超参数调优以提升性能。本文将高频股票数据转换为脉冲序列，并评估了三个架构：一个基于无监督 STDP 训练的已建立 SNN、一个具有显式抑制竞争的新型 SNN，以及一个基于反向传播的监督网络。BO 由 novel objective 驱动，即惩罚性脉冲准确度 (PSA)，旨�确保网络预测的价格尖峰率与经验价格事件率一致。模拟交易结果表明，使用 PSA 优化的模型在 Spike Accuracy (SA) 调优的对手模型和基准模型中始终表现优异。具体而言，使用 PSA 实现的扩展 SNN 模型在简单回测中获得最高的累积收益 (76.8%)，显著优于监督模型 (42.54% 收益)。这些结果验证了在以任务特定目标进行鲁棒调优的情况下，脉冲网络可有效用于 HFT 中的价格尖峰预测。