趋势调整时间序列模型及其在黄金价格预测中的应用
机器学习
2026-01-29 v2
摘要
时间序列数据在金融、医疗、营销和工程等各个领域发挥着关键作用。广泛的技术（从经典统计模型到诸如长短期记忆（LSTM）等基于神经网络的方法）已被用于应对时间序列预测挑战。在本文中，我们将时间序列预测重新构建为一个两部分任务：（1）预测时间序列在下一时间步的趋势（方向性变动），以及（2）预测下一时间步的量化值。趋势可以使用二元分类器进行预测，而量化值可以使用 LSTM 和双向长短期记忆等模型进行预测。基于这一重构，我们提出了趋势调整时间序列（TATS）模型，该模型根据二元分类器提供的预测趋势调整预测值。我们通过理论分析和实证评估验证了所提方法。TATS 模型被应用于波动性金融时间序列（每日黄金价格），旨在预测次日的价格。实验结果表明，TATS 通过实现显著更低的预测误差，始终优于标准 LSTM 和 Bi-LSTM 模型。此外，我们的结果表明，诸如 MSE 和 MAE 等常用指标不足以全面评估时间序列模型的性能。因此，我们还引入了趋势检测准确率，用于衡量模型捕捉时间序列趋势的有效程度。
引用
@article{arxiv.2601.12706,
title = {Trend-Adjusted Time Series Models with an Application to Gold Price Forecasting},
author = {Sina Kazemdehbashi},
journal= {arXiv preprint arXiv:2601.12706},
year = {2026}
}