稀疏潜在因子预测器(SLFF)：基于迭代推断的透明多时段商品期货预测
机器学习
2026-02-17 v5 人工智能
计算工程、金融与科学
摘要
潜在变量预测器中的 amortized 变分推断导致部署差距：测试时间的编码器近似训练时间优化细化后的潜在变量，但 lacks 访问未来目标。这种差距引入不必要的预测误差和可解释性挑战。本文提出稀疏潜在因子预测器，结合迭代推断(SLFF)，通过(i)稀疏编码目标加上L1正则化获得低维潜在变量，(ii)使用LISTA风格的迭代proximal梯度下降法在训练期间进行迭代细化，以及(iii)编码器对齐以确保amortized输出匹配优化细化解。在线性解码器假设下，我们推导出基于编码器-优化器距离的 amortization gap 的设计动因下界；在温和条件下给出收敛率；经验检验表明该下界对部署的MLP解码器具有预测性。为防止混合频率数据泄漏，我们引入使用发布日历和时代宏观经济数据的 information-set-aware 协议。可解释性通过三个阶段形式化：稳定性(跨随机种子的Procrustes对齐)、驱动有效性(对可观测变量的留出回归)以及行为一致性(反事实和事件研究)。以商品期货(Copper、WTI、Gold；2005--2025)为测试平台，SLFF在1和5天时段上相对于神经基线显著改进，产生稀疏因子，这些因子跨随机种子稳定且与可观测经济基本面相关联(可解释性仍为相关性，不为因果)。随文发布代码、清单、诊断和其他制品。
关键词
引用
@article{arxiv.2505.06795,
title = {Sparse Latent Factor Forecaster (SLFF) with Iterative Inference for Transparent Multi-Horizon Commodity Futures Prediction},
author = {Abhijit Gupta},
journal= {arXiv preprint arXiv:2505.06795},
year = {2026}
}