Adaptive Regime-Aware Stock Price Prediction Using Autoencoder-Gated Dual Node Transformers with Reinforcement Learning Control
创建于 更新于
摘要
本文提出一个自适应的市场状态感知预测框架：以仅在“正常”期间训练的自编码器生成重构误差作为异常分数，结合双路径（stable / event）节点 transformer 进行专门化预测，并用 Soft Actor-Critic 控制器自适应调整阈值与融合权重以最大化下游预测精度；在 20 只 S&P500 股票（1982–2025）上，完整系统 1 日预测 MAPE 为 0.59%，方向准确率达 72%，在高波动期仍将 MAPE 控制在 0.85% 以下，且消融实验显示自编码器路由、SAC 控制器与双路径各自带来显著增益 [page::0][page::9].
