基于高频限价订单簿预测的时序Kolmogorov-Arnold网络（T-KAN）：效率、可解释性与Alpha衰减
摘要
高频交易（HFT）环境以大规模限价订单簿（LOB）数据为特征，这些数据声名狼蝉且呈非线性。Alpha衰减是重大挑战，传统模型如DeepLOB在时间范围（k）增加时会丧失预测能力。本文基于FI-2010数据集，引入时序Kolmogorov-Arnold网络（T-KAN）以取代标准LSTM的固定线性权重。通过可学习的B样条激活函数，模型能够学习市场信号的“形状”而不仅仅是其幅值。这一变革在k=100时间窗内实现了19.1%的F1分数相对提升。T-KAN网络的有效性不容置疑，在1.0个比点交易成本下，T-KAN模型实现了132.48%的收益，而DeepLOB实现了-82.76%的回撤。此外，T-KAN模型也相当可解释， spline中的“死区”清晰可见。T-KAN架构还经过特殊优化，可实现低延迟FPGA实现。本项目实验的代码可在https://github.com/AhmadMak/Temporal-Kolmogorov-Arnold-Networks-T-KAN-for-High-Frequency-Limit-Order-Book-Forecasting中找到。
引用
@article{arxiv.2601.02310,
title = {Temporal Kolmogorov-Arnold Networks (T-KAN) for High-Frequency Limit Order Book Forecasting: Efficiency, Interpretability, and Alpha Decay},
author = {Ahmad Makinde},
journal= {arXiv preprint arXiv:2601.02310},
year = {2026}
}
备注
8 pages, 5 figures, Proposes T-KAN architecture for HFT. Achieves 19.1% F1-score improvement on FI-2010 and 132.48% return in cost-adjusted backtests.Proposes T-KAN architecture for HFT. Achieves 19.1% F1-score improvement on FI-2010 and 132.48% return in cost-adjusted backtests