TFT-ACB-XML：基于自定义时间融合变换器和注意力双向长短期记忆网络加 XGBoost 元学习器的比特币价格决策级集成

比特币（BTC）的精确预测始终是一个挑战，因为去中心化市场是非线性、高度波动且具有时序不规则性。现有的深度学习模型往往在解释性和在不同市场条件下的泛化方面难以为继。本研究提出了一种混合堆叠-泛化框架 TFT-ACB-XML，用于比特币收盘价预测。该框架集成了两个平行基学习器：一个自定义时间融合变换器（TFT）和一个注意力定制化双向长短期记忆网络（ACB），随后采用 XGBoost 回归器作为元学习器。自定义 TFT 模型通过变量选择网络和可解释单头注意力处理长程依赖和全局时序动态。ACB 模块使用新的注意力机制配合自定义 BiLSTM 捕捉短期序列依赖。两种自定义 TFT 和 ACB 的预测通过误差倒数加权策略进行加权。这些权重来自验证性能，其中预测误差较小的模型获得更高权重。最后，该框架将这些加权输出拼接为特征向量并输入 XGBoost 回归器，以捕捉非线性残差并生成最终的比特币收盘价预测。经验验证使用 2014 年 10 月 1 日至 2026 年 1 月 5 日的 BTC 数据显示，所提出的框架在最近的深度学习和变换器基准模型中表现出 improved performance。结果显示在步进前向测试块上的 one-step-ahead out-of-sample MAPE 为 0.65%，MAE 为 198.15，RMSE 为 258.30。评估期间包括 2024 年比特币减半和现场 ETF（交易所交易基金）期间，这些事件与重大流动性和波动性转变 coincide。