• 研究目标明确比较N-HiTS和N-BEATS模型在金融市场预测中的性能表现，并与传统统计方法如ARIMA进行对比验证其优越性 [page::0][page::1].

- 采用来自Yahoo Finance的十年日度收盘价等数据进行模型训练和测试，通过多种误差指标全面评估模型表现，包括MAE、MSE、RMSE、MAPE及SMAPE [page::3][page::4][page::5].

• 数据探索分析（EDA）涵盖自相关及偏自相关分析、布林带、日收益率分布、傅里叶变换频率分析、相关矩阵热图、MACD指标趋势判断及时间序列分解，辅助理解金融数据的内部结构和非平稳性 [page::5][page::6][page::7][page::8][page::9][page::10].

• 量化模型比较显示，NBEATS模型在所有关键误差指标上均优于N-HiTS和ARIMA，表现出更低的平均绝对误差（MAE=501.52）、均方误差（MSE=350204.6）和较低的百分比误差（MAPE约为2.34%），其预测曲线更逼近实际测试数据，显示出优秀的准确性和鲁棒性。

| 模型 | MAE | MSE | RMSE | MAPE | SMAPE |
|-------|--------|-----------|--------|-------|-------|
| N-HiTS| 577.52 | 445850.6 | 667.72 | 2.69% | 2.74% |
| SARIMA| 1465.08| 2403215.0 | 1550.23| 6.82% | 7.08% |
| NBEATS| 501.52 | 350204.6 | 591.78 | 2.34% | 2.37% |
- 这些数据充分反映出NBEATS在处理非线性金融时间序列和适应市场波动性方面的显著优势 [page::5][page::11].

• 图10展示了模型训练与测试期间的预测走势，NBEATS的预测线最大限度地贴合了实际测试数据，优于N-HiTS和ARIMA，强调了其强大的市场适应性和实时预测能力。

• 两种神经模型架构细节：

- N-HiTS采用分层时间序列分解，逐块处理不同时间粒度数据，通过多个带ReLU激活的块实现分解和预测 [page::2][page::3].
- N-BEATS基于基函数展开技术，将时间序列分解为趋势、季节性及剩余成分，使用多个堆栈分别捕捉不同特征，最终加总得到预测结果 [page::3].

• 研究强调了神经网络模型在金融时序复杂模式捕捉和非线性建模上的优势，同时指出模型训练和超参数调优对性能表现的重要性，以及实际应用中对计算资源和模型持续更新的需求 [page::12][page::13].

- 未来研究方向包括引入更多多样化数据源（如社交媒体情绪、宏观经济指标）、拓展长期预测能力及实现实时动态更新系统，以进一步提升模型预测的广泛适用性和实用性 [page::12][page::13].

金融预测前沿：神经网络预测模型N-HiTS与N-BEATS的比较分析——详尽报告解构与分析

---

一、报告元数据与概览

• 标题：Advancing Financial Forecasting: A Comparative Analysis of Neural Forecasting Models N-HiTS and N-BEATS

- 作者：Mohit Apte（计算机工程，印度浦那COEP理工大学）、Dr. Y.V. Haribhakta（计算机工程助理教授，COEP理工大学）

• 发布时间：未标明具体日期，引用资料为2023年末数据，使用最新模型及数据源

- 主题：金融市场时间序列预测，特别是深度学习神经网络模型N-HiTS与N-BEATS在金融预测中的应用与性能比较

• 核心论点：

- 神经网络模型N-HiTS和N-BEATS在金融市场的时间序列预测中相较于传统统计模型具有明显优势。
- 这两种模型能够更准确捕捉金融数据中的非线性、复杂动态变化，表现出更高的预测准确性和适应性。
- 研究通过实证和理论分析，展示神经模型在实时决策环境下的实用价值。

• 目标价及评级：报告为学术研究性质，无投资评级及目标价，但明确推荐神经模型作为未来金融预测的主流趋势。

[page::0,1]

---

二、逐节深度解读

1. 引言部分

• 关键内容：

- 金融市场数据复杂多变，传统统计模型难以充分捕捉非线性效应及市场微观结构影响。
- 神经网络模型，尤其是N-HiTS与N-BEATS，因其独特结构和深度学习优势，能够动态学习金融数据中的多层次模式和波动。

• 作者推理：

- 通过指出传统统计模型的瓶颈，强调了基于神经网络的模型对解决金融数据复杂性的独特优势。
- 提出了N-HiTS和N-BEATS的架构创新，奠定了后续比较分析的技术基础。

[page::0]

2. 文献综述

• 重点内容：

- 传统统计方法：
- ARIMA和指数平滑在金融数据线性、平稳情况下表现较好，存在局限。
- ARIMA难以应对非线性波动和市场震荡，指数平滑对复杂周期性适应性弱。
- 机器学习兴起：
- 早期神经网络（MLP、RNN）改良了时序依赖建模，但仍受限于长序列学习能力。
- LSTM解决了长短时依赖问题，虽然精度较高，但需大量计算资源和调参。
- 先进神经预测技术：
- N-HiTS引入层次化分解机制，优化多层时间尺度的特征提取。
- N-BEATS摒弃传统递归结构，利用基函数展开进行趋势与季节性建模，简化结构但性能出众。

• 理论贡献：

- 文章把神经网络模型推向金融预测核心，强调非线性、多尺度、非平稳数据处理的重要性。

[page::1,2]

3. 方法论

3.1 数据收集与处理

• 金融数据采自Yahoo Finance，涵盖过去十年股票指数日收盘价及交易量等指标，确保数据丰富且具有代表性。

3.2 模型实现与配置

• N-HiTS:

- 多层块结构，每个层块独立捕捉不同的时间粒度。
- 采用ReLU激活函数实现输入输出变换，模型基于信号分解与残差相加重建时间序列。

• N-BEATS:

- 利用基函数展开方法将时间序列分解为趋势与季节性部分。
- 多堆栈设计针对不同成分独立建模，利用 feed-forward 深度网络结构完成映射。

• 传统模型：

- ARIMA和SARIMA通过AIC指标进行阶数选择，实现传统基线模型比较。
- 指数平滑根据数据季节性特征进行加法或乘法配置。

• 公式层面给出模型数学表达，增强理解模型结构及操作流程。

3.3 性能评估指标

• 选用 MAE、MSE、RMSE、MAPE、SMAPE 等多维度误差指标，既涵盖绝对误差也反映相对百分比误差，保证全面衡量模型预测表现。

[page::2,3,4]

4. 探索性数据分析（EDA）

• 全面分析数据统计特征及时间依赖性：

- 自相关与偏自相关图显示时间序列滞后关系，辅助ARIMA建模阶数确认（图2）。
- 布林带结合移动平均揭示价格波动区间（图3）。
- 日收益率分布（图4）表现出波动性及尾部特征，暗示金融市场存在不稳定行为。
- 傅里叶变换分析（图5）揭示周期性成分及频率结构。
- 相关矩阵热图（图6）展现多个指标间相关性及其强度关系，有助于多变量建模。
- MACD和信号线对比（图7）捕捉趋势反转信息。
- 时间序列分解（图8）拆解趋势、季节性与残差，为模型设计提供理论依据。
- 滚动均值与标准差（图9）检测序列平稳性，为后续建模策略提供定量判断。

• EDA充分体现数据非线性和非平稳性，说明神经网络模型适用的理论基础。

[page::5,6,7,8,9,10]

5. 观察与模型表现比较

• 图10体现预测结果的可视对比，NBEATS预测曲线最贴近实际测试数据，显示更强拟合与预测能力。

- 表1（误差指标）详细量化各模型表现
- NBEATS各指标表现最优：MAE（501.52）、MSE（350204.6）、RMSE（591.78）、MAPE（2.34%）、SMAPE（2.37%）
- NHITS表现次优，均优于SARIMA，后者误差显著较大。

• 这体现了神经模型在捕获金融数据时序复杂性的优势，特别是NBEATS一贯优于其他模型。

[page::5,11]

6. 结果分析

• 定量性能：NBEATS模型误差指标最低，说明预测误差更小，预测更接近真实数据。

- 适应性与预测准确性：神经网络模型，尤其NBEATS，能够灵活响应市场的快速变化，增强模型在金融环境中面对高波动的稳健性。

• 误差指标深化说明：

- 低MAE、MSE、RMSE保证绝对意义上的高精度
- 低MAPE与SMAPE强调相对与对称百分比误差低，适合多样化市场环境

• 金融分析启示：

- 神经网络预测技术革新金融市场分析和决策模式，显著提升投资及风险管理的科学性与有效性。
- 强调深度学习模型可以成为金融分析师的重要工具，提高实战预测水平。

[page::11]

7. 结论与未来方向

• 结论确认NBEATS神经网络模型优势，不仅胜过传统统计方法，更展现出理想的市场波动响应能力。

- 研究呼吁更多采用基于AI的财务预测工具，推动金融分析技术革新。

• 未来工作方向：

- 融合多元数据源（社交媒体、新闻、宏观指标）提升预测维度。
- 拓展长期预测能力，满足战略规划需求。
- 跨市场对比验证模型普适性与适应性。
- 架构持续优化，如引入注意力机制和Transformer结构。
- 实时预测系统开发，实现动态、持续更新的决策支持。

[page::12,13]

---

三、图表与数据详解

图1 — 时间序列收盘价走势

• 描述：2007年至2024年印度NSE指数收盘价走势。总体呈向上趋势，中间有明显波动。

- 解析：反映金融市场价格逐年上涨，但波动明显，符合金融非平稳性特征。

• 作用：为建模提供直观时间序列基础，显示模型需要考虑趋势和波动性。

图2 — 自相关与偏自相关图

• 描述：展示时间序列滞后相关性。

- 解析：自相关逐渐减弱，偏自相关则在前期滞后显著，表明序列存在较强短期依赖。

• 作用：辅助确定ARIMA参数，说明序列特征适合非线性建模。

图3 — 布林带

• 描述：收盘价与布林带上下轨及均线。

- 解析：价格多次触及上下轨，尤其波动剧烈时，轨道扩张明显，显示市场波动性变化。

• 作用：直观体现价格波动区间，为捕获金融风险与调整预测模型提供信息。

图4 — 日收益率分布

• 描述：收益率呈现偏态分布，尖峰厚尾。

- 解析：反映金融市场常见的波动性集聚和极端事件。

• 作用：支持采用非线性神经网络模型以模拟复杂波动。

图5 — 傅里叶变换频率成分分析

• 描述：3至100个基频成分重构曲线。

- 解析：基频成分越多，重构曲线越贴近真实数据，揭示数据周期性与复杂性。

• 作用：为基于基函数展开的N-BEATS模型设计提供数学基础。

图6 — 金融指标相关矩阵热图

• 描述：不同价格（开、高、低、收）、成交量及统计特征的相关程度。

- 解析：价格间高度相关（接近1），成交量与价格相关性较中等，日收益率相关性极小。

• 作用：体现金融变量间复杂关系，支持多元特征融合以增强预测。

图7 — MACD与信号线趋势识别

• 描述：价格趋势震荡指标。

- 解析：指标交叉点对应价格趋势转折，验证趋势捕捉能力。

• 作用：说明时间序列含有明显趋势性信号，神经网络应有效利用此信息。

图8 — 时间序列分解（趋势、季节性、残差）

• 描述：原始数据分解成趋势、季节性及噪声。

- 解析：趋势部分平稳上升，季节性表现为周期振荡，残差表现为市场非系统性波动。

• 作用：为模型设计提供结构化分解思路，验证N-HiTS与N-BEATS的多分量处理优势。

图9 — 滚动均值与标准差（平稳性检测）

• 描述：滚动统计量随时间变化趋势。

- 解析：均值上升，标准差波动，表明序列具有一定非平稳性，需要建模时适当处理。

• 作用：再次证明神经网络模型适合捕获动态变化信息。

图10 — 模型预测与实际数据对比

• 描述：训练数据、测试数据及三类预测模型结果对比。

- 解析：
- NBEATS预测线紧跟测试数据波动。
- NHITS次之，ARIMA偏离较大。

• 作用：

- 强烈支持NBEATS市场适应性和预测准确性。
- 视觉冲击验证定量误差指标。

表1 — 模型误差指标比较

| 模型 | MAE | MSE | RMSE | MAPE | SMAPE |
|--------|---------|------------|--------|-------|--------|
| NHITS | 577.52 | 445,850.6 | 667.72 | 2.69% | 2.74% |
| SARIMA | 1465.08 | 2,403,215.0| 1550.23| 6.82% | 7.08% |
| NBEATS | 501.52 | 350,204.6 | 591.78 | 2.34% | 2.37% |

• NBEATS各指标均优于传统及同类神经网络模型，特别在MAPE与SMAPE中体现效率优势。

[page::5,11]

---

四、估值与风险（报告缺失）

本篇报告专注于金融时间序列预测模型对比，未涉及企业估值或投资风险管理，故无估值分析与风险因素专节。

---

五、风险因素评估（未具体提及）

• 报告未单独列出风险因素，但隐含风险包括：

- 神经网络模型对数据质量和参数敏感，可能遇到过拟合与概念漂移问题。
- 模型部署的计算资源需求和调优复杂性。
- 金融市场的非理性与极端事件仍具有巨大不确定性。

• 报告提及对这些风险的缓解策略（如持续数据监控、模型更新）和现实挑战。

[page::12]

---

六、批判性视角与细微差别

• 潜在偏见或不足：

- 数据仅选取印度NSE市场，模型在其他市场或者资产类别适用性未充分验证。
- 传统模型调优细节和最佳参数选择可能影响结果，报告中未详细展开。
- 神经网络训练过程的超参数调优、训练时长、计算资源消耗缺乏详细说明。

• 模型对比的公平性：

- NBEATS作为相对较新的神经网络模型，参数优化和实现可能更成熟，传统模型可能需更深调优空间。

• 模型解释性：

- 深度学习模型仍面临“黑盒”问题，报告虽强调解释性，但未充分呈现可解释性分析结果。

• 表述审慎：

- 报告客观陈述模型优势，未过度夸大结果，维持学术严谨性。

---

七、结论性综合

本报告通过先进神经网络模型N-HiTS与N-BEATS相较于传统统计预测模型ARIMA/SARIMA的全面评测，证实了深度学习模型在金融时间序列预测中的卓越性能。NBEATS在多维误差指标中均表现领先，具备更强的适应动态市场波动的能力，能够准确把握金融数据中的非线性、非平稳结构，体现出极佳的预测准确性和泛化能力。这一发现对于金融分析师和投资决策者意义重大，预示深度神经网络将革新金融市场预测和风险评估的未来。

图表分析进一步佐证观点：

• 时间序列与布林带、MACD等技术指标揭示市场波动结构复杂，非线性神经模型天然契合这一特点。

- 数据的频率成分及多尺度结构分解为N-HiTS和N-BEATS提供理论支撑。

• 模型对比图展示NBEATS拟合实际数据的优异性能，误差指标表坚实了其领先地位。

尽管报告未涉及估值与风险管理专门章节，但通过全面的理论介绍、方法实现，以及丰富的数据分析，建立了神经网络模型在金融时序预测领域的重要地位。作者建议未来研究融入更多多源数据、延长预测期限、拓宽市场适用范围，及优化模型结构，推动财务预测技术不断创新。

总体来看，报告清晰、深入，结合理论与实证，科学客观地展现了神经网络在金融预测的优势，逻辑严密，数据充分，为该领域研究和应用提供了有价值的参考。

[page::0~13]

---

报告