How do standard time series forecasting benchmarks translate to finance? A broad study of risk adjusted performance
创建于 更新于
摘要
本文基于跨资产日频期货数据，系统比较16类深度学习与线性时间序列架构在波动率目标控制和端到端夏普比率优化框架下的金融预测表现。研究发现，标准时间序列基准中的先进模型并不能稳定迁移至金融市场，通用Transformer和部分状态空间模型甚至弱于简单AR(1)基准。结合变量选择网络与LSTM的VLSTM取得最高风险调整收益，LPatchTST在回撤控制方面表现突出，xLSTM则对交易成本最具韧性。结果表明，显式递归记忆、特征筛选、表示压缩和稳定的时间状态演化，比单纯增加模型复杂度更有助于处理金融收益率的低信噪比、非平稳性和厚尾特征。[page::0][page::2][page::7][page::9][page::17][page::19]
