💻 computer science

Macroeconomic Message Passing for Anticipating Foreign Exchange Regime Changes: A Deep Logical Learning Approach using Graph Tsetlin Machines

本文提出了一种图特斯林机（Graph Tsetlin Machine）框架，该框架利用宏观经济与技术指标在超向量化有向多重图上的消息传递，来预测外汇汇率制度的变化，并特别展示了其在预判美元/日元市场转变方面的有效性与可解释性。

原作者： Christian Blakely, Melanie Gilmore

发布于 2026-07-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Christian Blakely, Melanie Gilmore

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图预测一个外国城市的的天气，但你不是只看一个温度计，而是试图通过观察风向、洋流以及邻近城市的温度是如何相互“对话”的，来理解整个大气层。

这本质上就是这篇论文所做的事情，只不过它预测的不是天气，而是美元兑日元货币市场的“情绪”。

以下是他们方法的简单拆解，使用了日常类比：

1. 问题所在：市场拥有“情绪”

作者认为，货币市场不仅仅是随机游走；它拥有截然不同的“状态”（regimes）或“情绪”。他们识别出了四种主要情绪：

停滞期（平静期）： 价格几乎不动，就像一个没有风的池塘。这很枯燥且难以预测，因为没有明确的方向。
稳步趋势（巡航期）： 价格朝着一个方向缓慢而坚定地移动，就像行驶在轨道上的火车。
震荡期（过山车）： 价格剧烈跳动，但最终却原地踏步。这对于试图跟随趋势的投资者来说非常危险。
剧烈趋势（火箭期）： 价格因重大经济事件而快速且大幅度地向一个方向移动。

挑战： 传统的计算机很难识别“停滞”情绪。它们会被噪音所迷惑。此外，它们往往孤立地观察数据，就像只检查一个房间的温度，却不知道厨房或客厅里发生了什么。

2. 解决方案：数据的“邻里守望”

作者构建了一种新型 AI，称为图 Tsetlin 机器 (Graph Tsetlin Machine, GraphTM)。

图（地图）： 想象一张地图，每一个点都是一条信息。一个点是日元价格，另一个是美国利率，另一个是原油价格，还有一个是欧元价格。
边（对话）： 线条连接着这些点。这些线条代表了它们如何相互影响。例如，如果美国利率发生变化，一条信息就会沿着这条线传递到日元价格的点上。
“消息传递”： 这是神奇之处。AI 不仅仅是观察日元价格，它还会询问它的邻居：“嘿，你们看到利率有变化吗？原油在动吗？”它收集这些消息，以形成一个完整的图景。

3. 大脑：逻辑，而非数学

大多数现代 AI（如深度学习）像是一个通过复杂数学运算来猜测答案的“黑箱”。它很强大，但你很难问它“为什么”做出这样的猜测。

这篇论文使用的是 Tsetlin 机器，它的工作方式更像是一群使用逻辑规则的侦探。

排除法推理： 它不尝试寻找复杂的模式来判定“这是一个趋势”，而是擅长通过说：“它不是一个趋势，因为不存在波动性、利率变化和原油运动。”
类比： 想象你要识别一个安静的图书馆。你不需要听到某本书被朗读的声音；你只需要确认没有人在叫喊，没有人在奔跑，也没有人在摔东西。如果这些现象都不存在，你就知道这是一个安静的图书馆。AI 对市场数据也是如此。

4. 他们是如何训练它的

他们每次向 AI 输入 72 小时（3 天）的数据。

他们不仅看现在发生了什么。他们还观察接下来的 3 天会发生什么，以观察市场最终稳定在了哪种“情绪”中。
他们使用了一个“多数投票”系统。如果市场在前两天处于震荡状态，而在第三天进入趋势，他们会将整个时段根据主导情绪进行标记。这有助于 AI 忽略微小且令人困惑的波动，从而专注于真实的故事。

5. 结果：为什么这很重要

当他们将此模型与其它著名的 AI 模型（如大型银行或标准机器学习工具所使用的模型）进行对比测试时：

更擅长处理“无聊”的事： 它比其他模型更能识别“停滞”（无聊）时期。这至关重要，因为那是大多数其他模型感到困惑并亏损的时候。
邻居的力量： 当他们移除“邻居”数据（如原油价格和其他货币）而仅观察日元本身时，AI 的表现变得糟糕得多。这证明了要理解日元，你必须倾听全球经济其他部分在说什么。
风险管理： 他们创建了一个“风险评分”。想象一下汽车仪表盘。如果路面湿滑（市场震荡），仪表盘会亮起红灯，提醒驾驶员（交易员）减速或停车。如果路况良好（稳步趋势），灯光则是绿色的。该系统成功地在 2020 年疫情期间，当市场即将变得混乱时向他们发出了警告。

总结

该论文声称，通过构建一个不同经济因素相互对话的“邻里守望”系统，并使用一个擅长捕捉“缺失项”（如图书馆中的寂静）的逻辑大脑，他们可以比传统方法更好地预测货币市场的情绪。这能帮助交易员知道何时应该激进，何时应该谨慎，以及何时应该完全退出市场。

技术摘要：通过宏观经济消息传递预判外汇制度变化

问题陈述
识别外汇（FX）市场制度——即由特定宏观经济条件驱动的独特价格行为状态——在量化金融领域仍是一个重大挑战。传统的参数化模型（如 Hamilton 1989; Krolzig 1997）依赖于严格的线性假设，且在处理高维特征空间时表现挣扎。虽然利用无监督学习或制度切换框架的现代机器学习方法提高了适应性，但它们通常在较长的时间跨度上运行，限制了其快速响应突发制度冲击的能力。此外，标准的 Tsetlin Machine (TM) 虽然提供了可解释的基于逻辑的模式识别，但受限于布尔输入表示和固定长度架构，除非进行显式工程设计，否则缺乏对过去状态的内在记忆。本文解决的具体挑战是在小时级数据上预判四种不同的外汇制度，特别是在“波动性干旱期”（由静态利率政策驱动的低方差时期），此时信噪比被压缩。

方法论
作者提出了一种 图 Tsetlin Machine (GraphTM) 框架，该框架将外生宏观经济变量整合到一个结构化的、基于逻辑的学习系统中。

图表示： 市场被建模为一个超向量化的有向多重图 $G = (V, E, P, T)$ $G = (V, E, P, T)$ 。
- 节点 ( $V$ )： 代表市场变量，包括目标价格节点 ( $v_{UJ}$ ，即美元/日元)、波动率轨迹节点 ( $v_{ra}$ )、效率轨迹节点 ( $v_{le}$ ) 以及宏观经济驱动节点 ( $v_{ry}$ ，代表美债/日债收益率和油价)。
- 边 ( $E$ )： 定义了因果和相关关系（例如，从债券收益率到外汇价格的根本依赖关系，以及跨市场波动率的联系）。
- 属性 ( $P$ )： 被编码为稀疏的二进制超向量，捕捉当前及历史状态（例如，归一化的平均真实波幅 ATR 和效率比 ER）。
深度逻辑子句： 与处理全局特征向量的标准 TM 不同，GraphTM 构建了深度合取子句 ( $C_j = C^0_j \land C^1_j \land \dots \land C^{D-1}_j$ $C_{j} = C_{j}^{0} \land C_{j}^{1} \land \dots \land C_{j}^{D - 1}$ )。
- 第 0 层 ( $C^0$ )： 作用于局部节点属性（例如，检测波动率扩张的缺失）。
- 消息传递： 更高层利用通过边在节点间传递的消息符号 ( $M$ )。如果底层组件评估为真，它会向邻居发出信号。后续层通过检查这些“收件箱”来验证局部状态是否符合邻居节点的上下文（例如，验证一个停滞的价格节点是否与一个稳定的债券收益率节点相匹配）。
学习机制： 系统采用分布在各节点和各层中的去中心化 Tsetlin Automata (TA)。学习通过两种反馈类型驱动离散状态转换：
- 第一类（泛化）： 强化有助于正确分类的文字（literals），促进稳定结构属性的纳入。
- 第二类（判别）： 通过强制纳入与当前市场状态相矛盾的文字来惩罚假阳性，从而抑制误分类制度的子句（例如，防止一个“停滞”子句在“趋势”期间被激活）。
制度定义： 模型针对四种制度，这些制度由归一化波动率 (ATR) 和方向效率 (Efficiency Ratio) 的交集定义：
1. 停滞 (Stagnant)： 低波动 / 低效率。
2. 稳步趋势 (Steady Trend)： 低波动 / 高效率。
3. 震荡/均值回归 (Choppy/Mean-Reverting)： 高波动 / 低效率。
4. 剧烈趋势 (Volatile Trend)： 高波动 / 高效率。
标签策略： 为确保时间稳定性，标签使用72小时多数投票法在预测窗口内生成，以过滤掉瞬时的小时级噪声。

核心贡献

图论制度检测： 本文引入了将 GraphTM 应用于外汇市场的研究，通过将宏观经济驱动因素和技术指标映射到图结构中，以捕捉跨资产依赖关系和因果关系。
通过排除法进行推理： 该架构利用了指定属性缺失（例如，缺乏波动率扩张）的能力来准确分类停滞状态，这一能力被强调在低方差时期尤为有效。
通过超向量实现的噪声鲁棒性： 通过在高维超向量空间中编码节点属性和消息，模型在低信号清晰度的环境下保持了预测的鲁棒性。
非对称风险指标： 作者提出了一个基于非对称成本矩阵的自定义“交易风险评分”。该指标优先考虑最小化在震荡市场中因错误趋势预测导致的资本侵蚀，而非单纯追求统计准确性，使模型的优化与实际算法交易约束保持一致。

结果
实证评估在 USD/JPY 小时级数据上进行，数据分为训练集 (60%) 和样本外 (OOS) 测试集 (40%)，遵循严格的年代顺序，并进行了 72 小时的数据清洗以防止数据泄漏。

性能： 全量 GraphTM 实现了 70.69% 的整体 OOS 准确率。
- 类别 0 (停滞)： 80.51% 准确率。
- 类别 2 (震荡)： 71.91% 准确率。
- 类别 1 (稳步趋势)： 48.16% 准确率。
- 类别 3 (剧烈趋势)： 11.24% 准确率（受限于样本量和突发性）。
对比分析： GraphTM 优于基准模型，包括梯度提升机 (62.54%)、图神经网络 (56.13%) 以及带有两个滞后阶数的标准卷积 Tsetlin Machine (CoTM) (58.76%)。
消融实验： 移除外生宏观经济节点（债券收益率、原油、跨货币对波动率）导致性能显著下降（整体准确率降至 48.01%），特别是对于类别 1（稳步趋势，降至 9.93%）。这证实了仅靠内部动量指标不足以区分稳定趋势与横盘整理。
风险指标： 在 2020 年 COVID-19 高波动期间，滚动风险指标正确识别了高结构不确定性。相反，在 2021–2022 年的稳定趋势期，风险指标衰减至接近零，证明了模型检测低操作风险期的能力。

意义与主张
本文声称 GraphTM 提供了一个稳健、透明且计算高效的范式，用于应对多模态市场制度。其主要意义在于弥合了结构几何学习与符号可解释性之间的鸿沟。通过在宏观经济关系的图结构上进行消息传递，该模型能够比传统的长周期模型更快地预判制度变化，同时通过逻辑子句保持可解释性。作者认为，这种方法在停滞市场中进行“通过排除法进行推理”方面特别有效，并且能够集成跨资产相关性，而不会具有深度神经网络那样的黑箱性质。研究结论指出，基于图的逻辑学习为金融预测提供了一种可行的替代方案，特别是通过将宏观经济关系显式地建模为图结构。