💰 quantitative finance

VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion

VertiFuseX 是一种轻量级混合 LSTM 架构，通过采用一种新颖的倒数第二层多尺度时间表示垂直融合技术，在金融预测方面实现了卓越的泛化能力和准确性，在保持部署就绪效率的同时，在多种全球市场中显著优于现有基准模型。

原作者： Aashish Bohra, Vivek Vijay

发布于 2026-09-14✓ Author reviewed ⓘ

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Aashish Bohra, Vivek Vijay

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。它不是由作者撰写的。如需技术准确性，请参阅原始论文。阅读完整免责声明

预测股票未来的价格是金融领域最具挑战性的任务之一。市场并非一个稳定、可预测的机器，而是一个不断变化的混沌且充满噪声的系统。价格并非沿直线移动，而是根据即时新闻、长期趋势以及数百万投资者不断变化的情绪而上下跳动。由于数据如此杂乱且变化极快，标准的计算机程序往往难以在噪声中找到隐藏的真实信号。它们往往要么通过记忆过去的错误来学习，要么在市场突然转向新模式时感到困惑。几十年来，研究人员一直试图构建更好的工具，利用复杂的数学模型来猜测价格的走向，希望将这些猜测转化为可靠的预测，以帮助投资者管理风险。

印度理工学院焦杜尔分校（IIT Jodhpur）的一个研究小组提出了一种名为 VertiFuseX 的新方法来解决这一问题。他们并没有试图强迫计算机学习一种单一、僵化的观察过去的方式，而是构建了一个能够同时倾听市场三种不同“声音”的系统。想象一下，试图通过听取三个不同人的讲述来理解一个复杂的故事：一个人记得事件发生的精确顺序；另一个人理解从头到尾的整个故事背景；还有一个人看到了情节随时间演变的宏观全貌。研究人员将这三种视角结合成了一个统一的模型。他们发现，通过在做出最终预测之前合并这些不同的历史视角，该系统能够看到其他模型所忽略的模式，从而实现显著提高的预测准确度。

其发现的核心在于如何结合这些不同的视角。在以往的许多尝试中，研究人员会让每个计算机模型做出自己的猜测，然后简单地对结果取平均值，就像是在进行投票。这项新研究认为，这种方法丢弃了太多有价值的信息。相反，研究人员决定在模型处理数据的过程中，在它们必须提交最终数值之前，就结合它们的内部“想法”。他们提取了来自三个不同模型的中间表示——一个追踪短期记忆，一个观察特定窗口内的过去与未来，还有一个理解深层趋势的模型——并将它们融合在一起。这使得系统能够保留市场历史中丰富且细腻的纹理，而不是将其简化为一个压缩后的单一猜测。

为了测试这个想法是否奏效，研究人员利用全球十大主要股票市场（包括美国、欧洲和亚洲）十五年的每日收盘价对该系统进行了训练。他们采用了一种严格的测试方法：模型基于过去的数据进行训练，然后被要求在从未见过测试数据的情况下预测未来，从而确保结果并非仅仅是运气好的猜测。结果令人瞩目。与旧有的标准模型相比，新系统的预测误差降低了 30% 到 54%。它在不同类型的市场中表现一致，无论是稳定、缓慢移动的蓝筹股，还是变化迅速、技术密集型的高波动性市场。该系统还表现出惊人的效率，占用极少的计算机内存，且能在不到两毫秒内做出预测，这足以满足实时交易的需求。

研究人员还分析了系统是如何做出决策的，以了解它究竟学到了什么。通过分析模型在过去哪些天给予了最多的关注，他们发现模型始终聚焦于一个特定的时间窗口，大约在九到十五天前。这表明模型找到了数据中的一个“甜点区”（sweet spot），即信号足够强且有用，又不至于因过旧而失去相关性。这一洞察非常有价值，因为它表明系统学会了忽略最近一两天极其混乱的噪声，也忽略了数月前已经褪色的模式，转而关注那些通常驱动价格变动的中期趋势。

为了观察这些更好的预测在现实世界中是否真的有意义，团队使用该模型的预测模拟了一种交易策略。他们测试了该系统在近期金融史上两个压力最大的时期中的表现：2020 年由疫情引发的市场崩盘，以及 2022 年的熊市。在这两种情况下，该系统在保护资本方面比单纯持有股票的表现更好。它减少了在下行周期中的最大资金损失，并实现了更好的风险回报比。虽然它并不总是能在总利润上击败市场，但它在波动更小、跌幅更少的情况下实现了目标，证明了该模型能够在极端条件下进行适应而不崩溃。

研究结论指出，这种在中间阶段融合不同类型记忆的方法，为处理金融市场的复杂性提供了一种强大的方式。它表明，更好的预测关键不在于让模型变得更深或更复杂，而在于教它们如何分享并结合它们看待过去的不同方式。该系统被证明是轻量级、快速且稳健的，适用于不同国家和市场环境，为部署在现实金融系统中提供了实用的工具。尽管研究人员承认，没有任何模型可以完美地预测未来（尤其是在突发全球性冲击期间），但他们的工作为在充满不确定性的股市中航行提供了一种更清晰、更可靠的方式。

技术摘要：VertiFuseX

问题陈述

由于金融时间序列具有非平稳性、高维性和高噪声特性，准确的股票价格预测仍然是一个巨大的挑战。现有的深度学习（DL）模型，包括标准 LSTM、Bi-LSTM 以及混合架构（如 CNN-LSTM），面临着三个系统性局限：

僵化的决策级融合： 许多模型在集成之前，会将多尺度时间依赖性压缩为标量预测（例如通过静态平均），这阻碍了异构动态（如短期波动性与长期趋势）之间的有效交互。
过拟合与调优敏感性： 深度集成模型往往会因为架构过深、缺乏正则化以及依赖于特定数据集的权宜超参数调优，而面临泛化崩溃的问题。
单一尺度的时序建模： 大多数基于 LSTM 的方法仅在固定分辨率下捕捉模式，无法解构不同时间跨度下的层次化依赖关系（例如日内噪声与月度趋势），这在剧烈波动的市场中至关重要。

这些问题导致了信息丢失、过拟合以及跨市场泛化能力受限，尤其是在针对严格的按时间顺序排列的样本外数据进行测试时。

方法论：VertiFuseX

作者提出了 VertiFuseX，一种旨在通过倒数第二层垂直融合和多尺度时间抽象来解决上述局限性的混合 LSTM 架构。

架构概览

该模型分为三个阶段运行：

DATAETL（数据提取、转换与加载）：
- 使用严格的单变量输入（原始收盘价），以隔离特征工程对架构贡献的影响。
- 采用 20 天的按时间顺序移动窗口。
- 执行严格的预处理：移除非交易日（而非插值）以保持信号保真度，且 Min-Max 归一化仅在训练集分区上进行拟合，以防止前瞻偏差。
- 数据按时间顺序划分：约 14 年用于训练/验证，以及一个严格的 365 天留出测试集。
FeatExt（特征提取）：
- 利用三个并行的时间分支，每个分支都从倒数第二层（即任务特定回归层之前）提取特征，以保留丰富的中间表示：
  - LSTM： 捕捉序列记忆（单向）。
  - Bi-LSTM： 捕捉回溯窗口内的双向上下文。
  - St-LSTM（堆叠式）： 通过跨层的渐进式抽象捕捉层次化趋势。
- 一个并行的 DNN 流 处理相同的输入窗口，以捕捉非循环的、静态的非线性关系。
- 所有分支均使用 Dropout (0.3) 和 $\ell_2$ 约束进行正则化，其输出被对齐到共享的潜在维度 ( $d_T = 64$ )。
VertiFuse（垂直融合）：
- 不同于对最终标量预测进行平均（决策级融合），VertiFuseX 将来自 LSTM、Bi-LSTM、St-LSTM 和 DNN 分支的倒数第二层特征向量进行拼接。
- 这些拼接后的特征经过学习到的仿射变换（通过可训练权重矩阵 $W_{fuse}$ 和 $W_{comb}$ ）以及非线性激活（ReLU）处理。
- 这种特征级融合允许模型在最终回归头之前，动态地重新分配互补时间表示的权重（例如，在噪声较高时强调 Bi-LSTM，或在稳定趋势期间强调 St-LSTM）。
- 整个系统通过在固定的超参数配置下进行反向传播进行联合优化，消除了对逐数据集调优的需求。

理论动机

核心假设是，与压缩后的最终输出相比，倒数第二层的表示保留了更高的输入信号互信息 ( $I(X; F_i) \geq I(X; \hat{y}_i)$ )。通过在此中间阶段进行融合，模型能够保留每个分支独特的归纳偏置（例如双向性、层次性），并实现联合梯度传播，从而促进互补的专业化，而非仅仅是退化的预测平均。

核心贡献

倒数第二层垂直融合： 引入了一种新型融合策略，该策略整合了来自异构时间模型（LSTM、Bi-LSTM、St-LSTM）的中间潜在特征，而非最终输出。这保留了多尺度时间抽象并促进了特征级交互。
鲁棒的跨市场泛化： 在涵盖 10 个全球股票指数（包括 S&P 500、NASDAQ、HSI、KOSPI）的 15 年数据（2010–2024）上进行了评估，采用了严格的按时间顺序排列的样本外协议。该模型在无需指数特定超参数调优的情况下实现了稳定的性能。
消除权宜调优： 在所有数据集上使用固定的、预先验证的超参数配置（窗口大小=20，Dropout=0.3， $\ell_2=10^{-4}$ ），减少了过拟合和调优开销。
轻量化且高效： 模型结构紧凑（67.5 万个参数，约 2.6 MB 足迹），推理延迟极低（约 1.5 ms/样本），适合实时部署。

实验结果

该模型针对标准基准模型（LSTM、Bi-LSTM、St-LSTM、ARIMA）以及七种最先进（SOTA）模型（如 ModAugNet、储层计算、GA-CNN-LSTM）进行了评估。

性能指标： 相对于基于 LSTM 的基准模型，VertiFuseX 实现了 30–54% 的 MAPE 降幅，并在 MAE 和 RMSE 上实现了超过 40% 的提升。
与 SOTA 模型对比： 在 33 项指标-数据集对比中，它始终优于七种 SOTA 模型，与先前文献中报告的最佳结果相比，MAE 降低了高达 34.6%，RMSE 降低了高达 36.4%。
消融实验： 实验证实，倒数第二层融合驱动了这些增益，相比于最终层融合和决策级集成（平均集成），表现出了实质性的改进。
显著性分析： 基于梯度的显著性图显示，模型一致地侧重于中等范围的时间依赖性（滞后 9–15 天），这表明模型学会了在没有预定义指标的情况下，平衡噪声削减与趋势特征化。
经济验证： 算法交易模拟（包括 2020 年 COVID-19 崩盘和 2022 年熊市期间的压力测试）表明，与买入持有（Buy-and-Hold）和动量（Momentum）基准相比，该模型具有更小的最大回撤和更优的风险调整收益率（夏普/索提诺比率），特别是在剧烈波动的时期。

意义与主张

论文声称 VertiFuseX 通过统一简洁性、可解释性和跨市场鲁棒性推进了金融预测领域。其意义在于证明了：

特征级融合在倒数第二层对于保留非平稳数据中的时间结构优于决策级集成。
通过专门的循环分支（LSTM、Bi-LSTM、St-LSTM）实现的多尺度抽象可以有效地进行整合，而无需复杂的注意力机制或繁重的超参数调优。
该架构提供了一个可部署的框架，在保持高预测精度与低计算成本之间取得了平衡，满足了实时金融系统的实际需求。

作者明确指出，虽然模型表现出很强的鲁棒性，但它依赖于单变量价格数据和固定超参数，这体现了在峰值单市场准确性与广泛泛化能力之间的权衡。这项工作并不声称解决了所有的市场预测挑战，而是为改进混合深度学习系统中的时间建模保真度提供了一个经过验证的架构干预方案。