From Patterns to Predictions: A Shapelet-Based Framework for Directional Forecasting in Noisy Financial Markets
创建于 更新于
摘要
本论文提出一种结合选择性不变多变量模式聚类（SIMPC）和形状基分类网络（JISC-Net）的两阶段框架，用于从噪声金融时间序列中提取可解释的重复模式并进行方向性预测。通过动态时间规整（DTW）技术克服振幅缩放及时间扭曲问题，在比特币及三只标普500股票上的实测结果表明该方法在多个指标中领先传统深度学习和量化模型，显著提升预测准确度和交易表现，同时提升模型透明度，支持人机交互决策分析 [page::0][page::2][page::6][page::7][page::8]。
