Decomposition-Based Preprocessing Versus Architectural Complexity in Neural Forecasting of Economic and Financial Time Series: A Comparative Empirical Study

预测货币和市场的未来是科学领域中最困难的挑战之一。长期以来，经济学家和金融分析师一直依赖统计工具来猜测价格的走向，无论是单只股票、一桶原油还是单位天然气。当过去的发展呈直线且可预测时，这些工具效果很好，但现实世界很少如此简单。金融市场是混乱、多变且充满突发跳跃的，并不遵循清晰的模式。为了应对这种混乱，研究人员转向了人工智能，特别是一种被称为神经网络的计算机程序。这些程序旨在从数据中学习，寻找人类肉眼可能忽略的隐藏模式。然而，问题在于：为了让这些程序足够聪明以理解混沌的市场，科学家往往不得不使它们变得极其复杂，拥有数千个协同工作的内部组件。这种复杂性使得程序运行缓慢、成本高昂且难以管理。研究人员的核心问题在于，获得更好预测的唯一途径是建造一台更大、更复杂的机器，还是有一种更聪明的方法在将数据输入之前对其进行预处理。

一个研究小组着手测试这一权衡关系。他们想看看，在将数据交给计算机程序之前对其进行清理，是否能达到与增强程序本身功能相同的效果。为此，他们收集了三种截然不同的金融数据：苹果公司的每日股价、布伦特原油价格和天然气价格。选择这些数据是因为它们的行为方式各具特色：苹果公司的股票在数十年间稳步增长，石油价格随全球事件剧烈波动，而天然气价格则伴随着极高的波动性上下跳动。研究人员利用这些原始数字，尝试使用三种不同类型的神经网络来预测次日的价格。第一种是基础且直接的模型；第二种是更先进的模型，它能更好地记忆过去的事件；第三种是最复杂的模型，能够同时观察过去和未来的数据，以寻找更深层的联系。

研究人员并没有直接将原始数字输入这些模型，而是尝试了另一种方法。在计算机看到数据之前，他们使用数学技术将杂乱的价格历史分解成更小、更简单的部分。想象一首复杂的歌曲，因为同时进行的音符太多而难以演唱。如果你能将旋律与背景节奏和低音部分分离出来，每个部分都会更容易单独演唱。研究人员对金融数据也采取了类似的做法。他们使用五种不同的方法将价格历史拆分为不同的组成部分，例如长期趋势、短期波动和随机噪声。然后，他们教计算机分别预测这些简单的部分，并将结果相加以得到最终的预测值。

实验结果令人震惊。研究人员发现，将数据分解为更简单的部分可以让计算机模型表现得更好，即使这些模型本身保持较小且简单。事实上，清理数据最有效的方法是一种称为变分模态分解的技术。当使用这种方法时，模型的预测准确度显著高于直接使用原始数据的情况。或许更重要的一点是，模型不需要那么复杂就能达到这些结果。对于通常需要数百个内部组件才能在原始数据上表现良好的最先进计算机模型，研究人员发现，在对数据进行预处理后，可以将组件数量减少十倍甚至更多。例如，一个原本需要一百个内部组件才能准确预测石油价格的模型，如果先对数据进行清理，仅需五个组件即可达到相同甚至更好的效果。

这一发现表明，对于金融市场的短期预测，成功的秘诀不在于构建一台庞大、复杂的机器，而在于正确地准备数据。研究表明，一个使用干净数据的简单模型，其表现往往优于使用杂乱数据的复杂模型。对于任何依赖这些预测的人（从交易员到政策制定者）来说，这都是一个重要的发现。这意味着预测系统可以在不牺牲准确性的情况下，变得更快、更便宜且更高效。与其将资源投入到构建更大的神经网络中，不如将重点转向理解和组织数据本身。研究人员得出结论，对于具有混沌和多变特征的经济时间序列而言，一个经过良好准备的信号比深度且复杂的架构更强大。这种方法为创建既准确又足以应对现实世界快速环境的预测工具，提供了一条切实可行的方法。