ReLaMix：残差时滞感知混合用于延迟鲁棒的金融时间序列预测
人工智能
2026-03-24 v1 机器学习
摘要
在实际高频市场中，金融时间序列预测常受到延迟或部分陈旧观测的阻碍，这些观测因数据获取和传输延迟而不完整。为更贴近实际情况，我们研究了一种模拟延迟场景，其中部分历史信号被零阶保持（ZOH）机制破坏，导致通过阶梯性停滞性熵构件显著增加预测难度。本文提出ReLaMix（Residual Latency-Aware Mixing Network），这是一种基于TimeMixer的轻量级扩展，集成了可学习的瓶颈压缩与残差细化，用于在延迟观测下实现稳健的信号恢复。ReLaMix显式抑制来自重复陈旧值的冗余信息，同时通过残差混合增强保留信息性市场动态。在规模为秒级解析度的PAXGUSDT基准测试上，ReLaMix在多种延迟比例和预测时段上始终实现最先进的准确度，凭借显著更少的参数数量超越了强大的混合器和Transformer基线。此外，在BTCUSDT上的额外评估确认了该框架的跨资产泛化能力。这些结果凸显了残差瓶颈混合在面对现实延迟引起的陈旧性时高频金融预测中的有效性。
引用
@article{arxiv.2603.20869,
title = {ReLaMix: Residual Latency-Aware Mixing for Delay-Robust Financial Time-Series Forecasting},
author = {Tianyou Lai and Wentao Yue and Jiayi Zhou and Chaoyuan Hao and Lingke Chang and Qingyu Mao and Zhibo Niu and Qilei Li},
journal= {arXiv preprint arXiv:2603.20869},
year = {2026}
}
备注
6 pages, 5 figures