基于脉冲神经网络预测高频金融数据的价格走势

现代高频交易(HFT)环境以突发的价格尖峰为特征，这既是风险也是机会，但常规金融模型往往难以捕捉所需的细粒度时序结构。脉冲神经网络(SNN)提供了一种受生物学启发的框架，因其天然能够处理离散事件并保持毫秒级时间尺度，特别适用于这些挑战。本工作研究将SNN应用于高频价格尖峰预测，通过贝叶斯优化(BO)进行稳健的超参数调优以提升性能。本工作将高频股票数据转换为脉冲序列，并评估三种网络架构：一种是基于无监督STDP训练的已建立SNN，一种是具有显式抑制竞争的新型SNN，以及一种是监督式反向传播网络。BO由一种新型目标驱动，定罚脉冲准确率(PSA)，旨�确保网络预测的价格尖峰率与经验事件率一致。模拟交易表明，采用PSA优化的模型在脉冲准确率(PSA)调优的对手基线和基线方面 consistently 优于后者。具体而言，采用PSA的扩展SNN模型在简单回测中实现了最高的累计收益(76.8%)，显著优于监督式替代方案(42.54%收益)。这些结果验证了在以任务特定目标进行稳健调优的情况下，脉冲网络可有效用于HFT中的价格尖峰预测。