1. 引言
外匯市場每日交易額超過5萬億美元，蘊藏巨大機遇同風險。準確嘅價格預測對於制定有效交易策略至關重要。然而，外匯數據具有高波動性、噪音多同複雜非線性模式等特點，令預測變得極具挑戰性。傳統線性模型（例如ARIMA）往往難以捕捉呢啲動態。本文提出一種新穎嘅混合方法，協同結合小波去噪、注意力循環神經網絡（ARNN）同自回歸綜合移動平均（ARIMA）模型，旨在處理外匯時間序列嘅線性同非線性成分，以實現更優越嘅預測性能。
2. 相關文獻
2.1 小波去噪
小波變換係一種強大嘅時頻分析工具，能夠有效分離非平穩金融數據中嘅信號同噪音。通過將時間序列分解為近似係數同細節係數，可以選擇性移除高頻噪音成分，呢啲噪音會掩蓋潛在趨勢同自相關結構。呢個預處理步驟對於提升模型輸入質量至關重要。
2.2 金融領域嘅神經網絡
神經網絡，尤其係循環神經網絡（RNN）及其變體（例如LSTM），喺建模複雜、非線性嘅金融時間序列方面顯示出潛力。注意力機制嘅整合（例如Transformer模型中嘅應用）允許網絡專注於對預測最相關嘅過去觀測值，從而增強序列建模能力。
2.3 混合預測模型
「分解與集成」範式已經相當成熟。其核心思想係使用唔同模型捕捉唔同數據特徵（例如線性與非線性、趨勢與季節性），然後結合佢哋嘅預測結果。本文嘅貢獻在於具體結合小波去噪進行預處理、ARNN處理非線性模式，以及ARIMA處理殘餘線性成分。
3. 方法論
3.1 數據預處理與小波去噪
原始外匯價格序列 $P_t$ 使用離散小波變換（DWT）進行分解：$P_t = A_J + \sum_{j=1}^{J} D_j$，其中 $A_J$ 係近似係數（低頻趨勢），$D_j$ 係細節係數（第 $j$ 層嘅高頻噪音）。對細節係數應用閾值函數（例如軟閾值）以抑制噪音，然後進行重建以獲得去噪後嘅序列 $\tilde{P}_t$。
3.2 注意力循環神經網絡（ARNN）架構
該模型使用帶有注意力層嘅編碼器-解碼器RNN框架。編碼器（LSTM單元）處理輸入序列 $\tilde{P}_{t-n:t-1}$ 並產生一系列隱藏狀態 $h_i$。注意力機制計算一個上下文向量 $c_t$，作為呢啲編碼器狀態嘅加權和：$c_t = \sum_{i=1}^{n} \alpha_{t,i} h_i$，其中注意力權重 $\alpha_{t,i}$ 由一個前饋網絡學習。然後，解碼器LSTM使用 $c_t$ 及其先前狀態來預測非線性成分 $\hat{N}_t$。
3.3 ARIMA模型設定
ARIMA(p,d,q) 模型擬合時間序列中嘅線性關係。喺ARNN捕捉非線性部分之後，殘差序列 $R_t = \tilde{P}_t - \hat{N}_t$ 由ARIMA建模：$\phi(B)(1-B)^d R_t = \theta(B) \epsilon_t$，其中 $\phi$ 同 $\theta$ 係AR同MA多項式，$B$ 係後移算子，$d$ 係差分階數，$\epsilon_t$ 係白噪音。由此產生線性預測 $\hat{L}_t$。
3.4 混合集成策略
最終預測 $\hat{P}_t$ 係兩個組成模型預測結果嘅簡單加法組合：$\hat{P}_t = \hat{N}_t + \hat{L}_t$。呢個假設線性同非線性成分係可加嘅，並且已經被建模過程有效分離。
核心性能指標
1.65
均方根誤差
方向準確率
~76%
預測成功率
外匯市場規模
>$5T
每日交易額
4. 實驗結果
4.1 數據集與實驗設定
實驗使用高頻美元/日元五分鐘匯率數據進行。數據集被劃分為訓練集、驗證集同測試集。用於比較嘅基準模型包括獨立嘅ARIMA、標準LSTM以及相關文獻中嘅其他神經網絡架構。
4.2 性能指標與比較
所提出嘅混合模型實現咗均方根誤差（RMSE）為1.65，方向準確率（DA）約為76%。呢個表現優於所有基準模型。例如，獨立ARIMA模型嘅DA可能約為55-60%，而標準LSTM可能達到約65-70%，凸顯咗混合方法同預處理嘅價值。
4.3 結果分析與討論
方向準確率嘅顯著提升對於交易應用尤其值得注意，因為預測正確嘅價格變動方向（升/跌）通常比精確嘅價格點位更重要。RMSE嘅降低表明整體預測誤差最小化。結果驗證咗以下假設：小波去噪穩定咗輸入，並且混合模型有效捕捉咗線性同非線性依賴關係。
5. 技術分析與專家見解
核心見解
本文唔只係另一個「AI用於金融」嘅項目；佢係一個精明嘅工程實踐，認識到一個基本事實：金融市場係多狀態系統。佢哋唔係純粹混亂，亦唔係純粹可預測；佢哋喺趨勢跟隨期（可由線性模型捕捉）同複雜、新聞驅動嘅衝擊期（需要非線性模型）之間擺動。作者嘅核心見解係迫使架構明確地對呢種二元性進行建模，而唔係期望一個單一嘅龐大網絡自己搞掂。
邏輯流程
流程邏輯優雅：1) 清理信號（小波去噪）：呢個係不容妥協嘅。將原始、嘈雜嘅高頻數據輸入任何模型都係自找麻煩，因為噪音會主導梯度。使用小波優於簡單移動平均，因為佢保留局部特徵。2) 分而治之（ARNN處理非線性，ARIMA處理線性）：呢個係妙招。佢遵循機器學習中「沒有免費午餐定理」嘅原則——冇單一模型適用於所有問題。讓專門工具（ARIMA）處理已充分理解嘅線性自相關，釋放強大但數據饑渴嘅ARNN，使其專注於解讀複雜嘅非線性模式。3) 重新組合（加法集成）：簡單嘅加法求和係有效嘅，假設捕捉到嘅成分係正交嘅。
優點與缺陷
優點：該方法論在一定程度上係可辯護同可解釋嘅。你可以檢查ARIMA殘差同ARNN注意力權重。其性能（5分鐘外匯數據上76%嘅DA）具有實際意義，並且超越常見基準。佢係一個穩健嘅框架，適用於外匯以外任何嘈雜、非平穩嘅序列（例如加密貨幣、波動性商品）。
缺陷與關鍵不足：房間裡嘅大象係缺乏真實世界嘅交易模擬。測試集上嘅高DA同低RMSE並不等同於盈利能力。喺5分鐘窗口內，交易成本、滑點同延遲可能會抹去紙上回報。該模型純粹係技術性嘅，忽略咗宏觀經濟新聞流或訂單簿數據——喺今日嘅算法交易環境中係一個嚴重限制。此外，加法組合過於簡單；一個學習到嘅權重機制（例如門控網絡）可以根據市場狀態動態調整每個模型嘅貢獻，呢個方法喺DeepMind等機構嘅元學習研究中有所暗示。
可行見解
對於量化分析師同資產經理：複製，然後擴展。 將此架構作為你嘅新基準。即刻嘅下一步係：1) 整合另類數據： 將來自實時新聞情緒分析（使用FinBERT等模型）嘅嵌入向量連同價格數據一齊輸入ARNN編碼器。2) 實施動態權重： 將固定嘅 $\hat{N}_t + \hat{L}_t$ 替換為 $w_t \hat{N}_t + (1-w_t)\hat{L}_t$，其中 $w_t$ 係一個預測當前市場「非線性程度」嘅小型神經網絡。3) 帶摩擦嘅回測： 將預測結果放入包含成本嘅真實回測引擎中運行。76% DA嘅真正價值只有喺呢啲條件下先會顯現。本文提供咗引擎主體；業界而家必須圍繞佢建造交易車輛嘅其餘部分。
6. 分析框架與案例示例
場景： 預測主要央行公告（例如歐洲央行新聞發布會）期間歐元/美元嘅下一個5分鐘K線。
框架應用：
- 小波預處理： 將過去4小時（48個數據點）嘅原始5分鐘價格序列進行分解。公告期間飆升嘅高頻「細節」係數被大幅閾值化，平滑微觀噪音，同時保留主要嘅方向性跳躍。
- 模型分解：
- ARIMA成分： 建模新聞之前存在嘅潛在動量同均值回歸趨勢。其預測可能係新聞前趨勢嘅輕微延續。
- ARNN成分： 注意力機制高度聚焦於最近、波動劇烈嘅公告後價格柱。佢從類似嘅歷史「新聞衝擊」模式中學習，以預測可能嘅短期過度反應同隨後嘅部分回調。
- 混合預測： 最終預測 = （ARIMA基於趨勢嘅預測） + （ARNN嘅新聞影響調整）。呢個比任何單一模型都更細緻，單一模型可能反應不足（ARIMA）或對噪音過度擬合（標準RNN處理原始數據）。
7. 未來應用與方向
- 多資產與跨市場預測： 將框架擴展到建模外匯對、股票同債券之間嘅相關性。ARNN編碼器可以同時處理多個相關時間序列。
- 與強化學習（RL）整合： 使用混合模型嘅預測作為RL智能體嘅狀態表示，該智能體學習最優交易執行策略，直接優化利潤而非預測誤差。
- 可解釋人工智能（XAI）增強： 開發方法將最終預測歸因於特定線性趨勢（通過ARIMA係數）同特定過去時間點（通過ARNN注意力圖），為交易者提供預測嘅可行原因。
- 自適應在線學習： 實施機制使模型能夠以流式方式用新數據持續更新其參數，以適應不斷變化嘅市場狀態，超越靜態嘅訓練-測試範式。
8. 參考文獻
- 國際清算銀行（BIS）。（2019）。外匯及場外衍生工具市場三年期央行調查。
- Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
- Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
- Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE transactions on evolutionary computation, 1(1), 67-82.
- DeepMind. (2023). Research in Adaptive Agents. Retrieved from https://www.deepmind.com/research/highlighted-research/adaptive-agents