1. 緒論
外匯市場每日交易量超過5兆美元，蘊含著巨大的機會與風險。準確的價格預測對於制定有效的交易策略至關重要。然而，外匯資料具有高波動性、雜訊以及複雜的非線性模式等特點，使得預測極具挑戰性。傳統的線性模型（如ARIMA）往往難以捕捉這些動態。本文提出一種新穎的混合方法，協同結合小波去噪、基於注意力的循環神經網絡（ARNN）以及自迴歸整合移動平均（ARIMA）模型，以處理外匯時間序列中的線性與非線性成分，旨在實現卓越的預測效能。
2. 相關文獻
2.1 小波去噪
小波轉換是時頻分析的強大工具，能有效分離非平穩金融資料中的訊號與雜訊。透過將時間序列分解為近似係數與細節係數，可以選擇性地移除高頻雜訊成分，這些雜訊會模糊潛在的趨勢和自相關結構，此預處理步驟對於提升模型輸入品質至關重要。
2.2 金融領域的神經網絡
神經網絡，特別是循環神經網絡（RNN）及其變體（如LSTM），在建模複雜的非線性金融時間序列方面展現出潛力。注意力機制的整合（如Transformer模型所示）使網絡能夠專注於與預測最相關的過往觀測值，從而增強序列建模能力。
2.3 混合預測模型
「分解與集成」的範式已相當成熟。其核心思想是使用不同模型來捕捉不同的資料特徵（例如線性與非線性、趨勢與季節性），然後結合它們的預測結果。本文的貢獻在於具體結合了小波去噪進行預處理、ARNN處理非線性模式，以及ARIMA處理殘餘的線性成分。
3. 方法論
3.1 資料預處理與小波去噪
原始外匯價格序列 $P_t$ 使用離散小波轉換（DWT）進行分解：$P_t = A_J + \sum_{j=1}^{J} D_j$，其中 $A_J$ 是近似係數（低頻趨勢），$D_j$ 是細節係數（第 $j$ 層的高頻雜訊）。對細節係數應用閾值函數（例如軟閾值）以抑制雜訊，隨後進行重構以獲得去噪後的序列 $\tilde{P}_t$。
3.2 基於注意力的循環神經網絡（ARNN）架構
該模型使用帶有注意力層的編碼器-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 $c_t$，作為這些編碼器狀態的加權和：$c_t = \sum_{i=1}^{n} \alpha_{t,i} h_i$，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 $c_t$ 及其先前的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的線性關係。在ARNN捕捉非線性部分後，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 $\phi$ 和 $\theta$ 是AR和MA多項式，$B$ 是後移運算子，$d$ 是差分階數，$\epsilon_t$ 是白雜訊。這產生了線性預測 $\hat{L}_t$。
3.4 混合整合策略
最終預測 $\hat{P}_t$ 是兩個組成模型預測的簡單加法組合：$\hat{P}_t = \hat{N}_t + \hat{L}_t$。這假設線性和非線性成分是可加的，並且已透過建模過程有效分離。
核心效能指標
1.65
均方根誤差
方向準確率
~76%
預測成功率
外匯市場規模
>$5兆
每日交易量
4. 實驗結果
4.1 資料集與實驗設定
實驗使用高頻美元/日圓五分鐘匯率資料進行。資料集被劃分為訓練集、驗證集和測試集。用於比較的基準模型包括獨立的ARIMA、標準LSTM以及相關文獻中的其他神經網絡架構。
4.2 效能指標與比較
所提出的混合模型達到了均方根誤差（RMSE）1.65和方向準確率（DA）約76%的表現。這優於所有基準模型。例如，獨立的ARIMA模型可能達到約55-60%的DA，而標準LSTM可能達到約65-70%，這凸顯了混合方法和預處理的價值。
4.3 結果分析與討論
方向準確率的顯著提升對於交易應用尤其值得注意，因為預測正確的價格變動方向（上漲/下跌）通常比精確的價格點位更為關鍵。RMSE的降低表明整體預測誤差最小化。結果驗證了以下假設：小波去噪穩定了輸入，且混合模型有效地捕捉了線性和非線性依賴關係。
5. 技術分析與專家洞見
核心洞見
本文不僅僅是另一個「AI應用於金融」的專案；它是一個精明的工程實踐，認識到一個基本事實：金融市場是多狀態系統。它們既非純粹混亂，也非純粹可預測；它們在趨勢追隨期（可由線性模型捕捉）和複雜的新聞驅動衝擊期（需要非線性模型）之間擺盪。作者的核心洞見是迫使架構明確地建模這種二元性，而不是寄望於一個單一的龐大網絡自行解決。
邏輯流程
整個流程邏輯優雅：1) 清理訊號（小波去噪）：這是不可妥協的。將原始、充滿雜訊的高頻資料輸入任何模型都是在自找麻煩，因為雜訊會主導梯度。使用小波優於簡單的移動平均，因為它能保留局部特徵。2) 分而治之（ARNN處理非線性，ARIMA處理線性）：這是關鍵妙招。它遵循機器學習中「天下沒有白吃的午餐」定理的原則——沒有單一模型能解決所有問題。讓專門的工具（ARIMA）處理已充分理解的線性自相關，從而釋放強大但需要大量資料的ARNN，使其能專注於解讀複雜的非線性模式。3) 重新組合（加法整合）：簡單的求和是有效的，前提是假設捕捉到的成分是正交的。
優勢與缺陷
優勢：該方法論在某種程度上是可辯護且可解釋的。你可以檢查ARIMA殘差和ARNN注意力權重。其效能（在5分鐘外匯資料上達到76% DA）具有實際意義，並且超越了常見的基準。這是一個穩健的框架，可應用於外匯以外的任何有雜訊、非平穩的序列（例如加密貨幣、波動性高的商品）。
缺陷與關鍵缺口：顯而易見的問題是缺乏真實世界的交易模擬。在測試集上獲得高DA和低RMSE並不等同於獲利能力。在5分鐘的時間窗口內，交易成本、滑價和延遲可能會完全抵消紙上回報。該模型純粹是技術性的，忽略了宏觀經濟新聞流或訂單簿資料——這在當今的演算法交易環境中是一個嚴重的限制。此外，加法組合過於簡單；一個學習到的權重機制（例如門控網絡）可以根據市場狀態動態調整每個模型的貢獻，這是像DeepMind等機構的元學習研究中暗示的方法。
可執行的洞見
對於量化分析師和資產經理人：複製，然後擴展。 將此架構作為您的新基準。接下來的直接步驟是：1) 整合替代資料： 將來自即時新聞情緒分析（使用FinBERT等模型）的嵌入向量與價格資料一起輸入ARNN編碼器。2) 實作動態權重： 將固定的 $\hat{N}_t + \hat{L}_t$ 替換為 $w_t \hat{N}_t + (1-w_t)\hat{L}_t$，其中 $w_t$ 是一個預測當前市場「非線性程度」的小型神經網絡。3) 帶有摩擦的回測： 將預測結果輸入一個包含成本的現實回測引擎中。76% DA的真正價值只有在這些條件下才會顯現。本文提供了引擎本體；業界現在必須圍繞它構建交易車輛的其餘部分。
6. 分析框架與案例範例
情境： 在主要央行公告期間（例如歐洲央行新聞發布會）預測歐元/美元的下一個5分鐘K線。
框架應用：
- 小波預處理： 將過去4小時（48個資料點）的原始5分鐘價格序列進行分解。在公告期間飆升的高頻「細節」係數被大幅閾值化，從而平滑微觀雜訊，同時保留主要的價格方向跳躍。
- 模型分解：
- ARIMA 成分： 對新聞發布之前存在的潛在動量和均值回歸傾向進行建模。其預測可能是新聞前趨勢的輕微延續。
- ARNN 成分： 注意力機制高度集中在最近、波動劇烈的新聞發布後價格柱上。它從類似的歷史「新聞衝擊」模式中學習，以預測可能的短期過度反應及隨後的部份回撤。
- 混合預測： 最終預測 = （ARIMA基於趨勢的預測） + （ARNN的新聞影響調整）。這比任何單一模型都更為細緻，單一模型可能反應不足（ARIMA）或對雜訊過度擬合（標準RNN處理原始資料）。
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貨幣對、股票和債券之間的相關性。ARNN編碼器可以同時處理多個相關的時間序列。
- 與強化學習（RL）整合： 使用混合模型的預測作為RL代理的狀態表示，該代理學習最優的交易執行策略，直接最佳化利潤而非預測誤差。
- 可解釋人工智慧（XAI）增強： 開發方法，將最終預測歸因於特定的線性趨勢（透過ARIMA係數）和特定的過去時間點（透過ARNN注意力圖），為交易者提供預測的可執行理由。
- 自適應線上學習： 實作機制，使模型能夠以串流方式持續用新資料更新其參數，以適應不斷變化的市場狀態，超越靜態的訓練-測試範式。
8. 參考文獻
- Bank for International Settlements (BIS). (2019). Triennial Central Bank Survey of foreign exchange and OTC derivatives markets.
- 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