技术摘要：FinMamba

问题定义

股票走势预测是量化交易中的一项关键任务，但也极具挑战性，因为金融数据具有高波动性、低信噪比以及市场影响的多维复杂性。现有的深度学习方法面临两个主要局限：

1. 静态或有偏差的股票间关系： 当前模型通常依赖于静态先验知识（如行业板块）或纯数据驱动的后验相关性（如 Pearson 系数），未能充分考虑动态的市场状况。具体而言，它们无法捕捉到股票间相关性在市场下跌期间（系统性风险）增强、而在上涨期间减弱的现象，而这一现象是由宏观经济因素驱动的。
2. 效率与模式识别问题： 传统的序列模型（如 Transformer）由于二次方计算复杂度，在处理长历史数据时表现挣扎，且往往过度强调离群值而非循环模式。相反，它们缺乏在维持实时交易所需低延迟的同时，高效建模跨多个时间尺度（从微观层面的分钟级波动到宏观层面的经济趋势）依赖关系的能力。

方法论

作者提出了 FinMamba，一个集成**市场感知图（Market-Aware Graph, MAG）和多层 Mamba（Multi-Level Mamba, MLM）**架构的框架，以解决上述局限。

1. 市场感知图 (MAG)

MAG 模块通过融合静态先验知识与动态后验相关性，并结合市场指数反馈进行精炼，从而动态地对股票间关系进行建模。

• 动态股票相关性图生成： 模型通过结合以下要素构建邻接矩阵 $A_t$：
  • 后验相关性 ($Q$)： 每日利用回顾窗口 $L$ 内的 Spearman 系数计算，以捕捉短期序列相似性。
  • 先验关系 ($D$)： 一个“行业衰减矩阵”，它基于一级和二级行业分类编码长期结构化关系，为同一行业内的股票分配更高的权重。
  • 最终的邻接矩阵计算公式为 $A_t = Q_t \cdot D$。
• 市场感知图稀疏化： 为了适应市场波动，模型采用了剪枝机制。它根据市场指数 $M_t$（由目标股票集的均值表示）计算稀疏水平 $\kappa_t$。通过使用 Inception 模块和 Sigmoid 函数，模型决定保留多少条边。
  • 机制： 当市场指数较低（高波动/危机）时，模型会保留更多的边（相关性更高）。当指数较高时，模型会剪掉更多边，反映出股票表现的分化。
• 图注意力聚合： 多头注意力机制从剪枝后的图中聚合来自相邻节点的信号，以生成精炼的股票嵌入（embeddings）。

2. 多层 Mamba (MLM)

MLM 模块处理股票嵌入，以捕捉不同粒度下的时间依赖关系。

• 多层投影： 输入通过线性映射被投影到 $k$ 个不同的层级。这使得模型能够同时提取细粒度的局部细节（微观层面）和更广泛的全局模式（宏观层面）。
• 选择性状态空间机制： 每个层级由一个 Mamba 模块处理。与 Transformer 不同，Mamba 利用一种选择性机制，使模型能够召回与当前输入相关的特定历史模式，同时丢弃无关信息。这使得模型能够以线性时间复杂度和内存消耗处理长序列。
• 输出： 所有层级的输出经过重新投影、拼接，并通过一个线性层来预测下一个交易日的排名得分。

3. 优化

模型使用组合损失函数进行端到端训练：

• 排名与预测损失 ($L_{RP}$)： 结合了用于点对点回归的均方误差 (MSE) 和用于优化股票相对顺序的成对排名损失 (Pairwise Ranking Loss)。
• 图信息瓶颈 (GIB) 损失 ($L_{GIB}$)： 一种正则化项，旨在最小化聚合图嵌入与原始输入之间的互信息，确保模型在过滤噪声的同时保留关键的相关性信息。

核心贡献

本文声称了以下贡献：

• 市场感知图构建： 这是首个在特定宏观市场条件下显式增强股票间关系建模的工作。它整合了静态先验（行业）和动态后验（价格序列），并利用市场指数反馈进行精炼，以根据市场趋势自适应调整相关性。
• FinMamba 框架： 提出了一种结合市场感知图与多层 Mamba 的新颖架构。该框架有效地建模了跨多个时间尺度（从微观到宏观）的面向模式的依赖关系，同时保持了极高的计算效率。
• 达到最先进水平（SOTA）的性能： 在美国（标普 500、纳斯达克 100）和中国（沪深 300、中证 500）股市上的广泛实验表明，FinMamba 与现有的量化投资方法及通用时间序列预测模型相比，实现了卓越的预测准确度和交易盈利能力，同时保持了较低的计算复杂度。

实验结果

作者将 FinMamba 与广泛的基准模型进行了对比评估，包括经典量化策略（BLSW, CSM）、深度强化学习方法（AlphaStock）以及各种深度学习架构（Transformer, Mamba, THGNN, PatchTST 等）。

• 性能指标： 使用年化收益率 (ARR)、年化波动率 (AVol)、最大回撤 (MDD)、年化夏普比率 (ASR) 和信息比率 (IR) 对模型进行评估。
• 研究发现：
  • FinMamba 在大多数指标上，特别是在 ARR、ASR 和 IR 方面，在四个数据集上均取得了最好或第二好的结果。
  • 它优于缺乏基于图的股票间关系建模的通用时间序列预测模型（如 Crossformer, iTransformer）。
  • 它通过将市场指数反馈有效地融入图结构，超越了其他基于图的方法（如 THGNN, VGNN）。
  • 消融实验： 去除行业衰减矩阵、市场感知稀疏化或多层 Mamba 结构会导致性能显著下降，证实了每个组件的必要性。
  • 效率： 随着回顾时界的增加，FinMamba 展示出比基于 Transformer 的模型更低的推理时间和内存占用，验证了其线性复杂度的优势。
  • 案例研究： 对 2023 年美国汽车工人罢工（UAW strike）的分析显示，FinMamba 成功捕捉了传统汽车制造商（通用、福特）与特斯拉之间不断演变的关联动态，反映了从截然不同的市场地位向激烈竞争转变的过程。

重要性与主张

本文将 FinMamba 定位为通过解决动态市场适应性和计算效率双重挑战，实现量化交易领域重大进展的研究。作者声称，通过将宏观市场反馈直接整合到图构建过程中，模型可以更好地理解市场动态，尤其是在波动时期。此外，使用多层 Mamba 架构可以在不产生注意力机制计算负担的情况下，高效提取多尺度时间模式，使其适用于实时算法交易。这项工作表明，将基于图的结构先验与 Mamba 的选择性状态空间建模相结合，为金融时间序列预测提供了一个稳健的新范式。