# 高频时序预测研究 Idea 周报 2026-W32 - 周期: `2026-08-03` 至 `2026-08-09` - 生成时间: `2026-08-05T07:48:21+00:00` - source registry version: `2026-08-05.v7` - 来源条目: `46` - 候选想法: `13` ## 本周结论 本周候选只代表研究启发，不代表可直接上线。每篇文章由 LLM 或人工 notes 尽量总结文章自身的背景、逻辑、方法、数据和结果；没有依据的字段留空，不再硬写固定模板。项目相关迁移只放在“研究启发/管线落点”里，不混入文章摘要。本轮特别关注高频数据特征工程，优先识别能转化为订单流、盘口形态、价格层记忆、事件时间、主动买卖和 sidecar 字段的想法。 ## 本周汇总导航 本周共 `13` 条候选 idea，分布在 `5` 个板块。 证据分布: 读取失败 2, 已读网页 9, 已读 PDF 2。 摘要质量: {'low': 2, 'medium': 9, 'high': 2}；摘要长度中位数 `750` 字；有提示的条目 `2` 条。 ### 本周去重审计 - 高分候选: `39` - 主榜新增: `13` - 补充池入选: `0` - 观察池候选: `5` - 历史重复过滤: `18` - 同周重复过滤: `2` - 离题过滤: `1` - 精选阅读: `15` / `15` - 上周重合: `0` - **AI 辅助因子生成**：3 条 - MAPLE：面向投资组合构建的高效多样化多Alpha生成框架：在单次训练中显式生成多个低相关Alpha - AlphaSchema：探索面向 LLM Alpha 挖掘的交易语义空间：以结构化交易语义空间替代 LLM 的隐式、自由式搜索 - XALPHA：从假设到代码进行 Alpha 发现的记忆驱动型 AI 量化研究员：将孤立的因子生成扩展为持续演化的端到端研究闭环 - **时序预测模型与 LOB**：3 条 - FOREX-SHIELD：融合对抗加固 DeepLOB、金融 Transformer 与零知识证明的高频外汇结算多模态网络防御管线：把订单簿对抗防御、合成新闻检测和隐私结算整合为统一框架 - 面向量化交易的深度强化学习：融合变分模态分解与对比式 Transformer 的新框架：以 VMD 分离价格—成交量序列中的多尺度趋势与微观结构噪声 - 基于 CNN 与 Transformer 的金融时间序列预测：以 CNN 局部 token 与 Transformer 全局注意力统一建模短期和长期依赖 - **金融时序预测模型**：4 条 - 通过人工智能驱动的市场数据与情绪分析融合增强股票价格预测：在统一实验条件下横向比较十类统计、机器学习与深度学习预测器 - 金融时间序列中的深度学习：RNN、GRU、LSTM及混合模型的比较分析：在统一框架下比较三种独立循环网络和两种混合架构 - 从预测准确率到交易盈利能力：股票价格预测序列模型的评估：在统一设置中同时评价预测准确率与交易盈利能力 - **高频数据特征工程**：1 条 - 基于 TransXFormer 的出版传媒股票预测：协同建模金融序列的长记忆结构与全局注意关系 - **高频订单流与微观结构**：2 条 - OpenMarket：用于高频预测市场研究的 Polymarket-Binance 同步数据集：发布首批公开的毫秒级 Polymarket BTC 与 Binance BTC/USDT 配对语料之一 - 用于金融时间序列预测的分解增强网络 DENet：以三流架构分别建模稳定趋势、局部周期和高频动态 ### 重点亮点 - **时序预测模型与 LOB** / FOREX-SHIELD：融合对抗加固 DeepLOB、金融 Transformer 与零知识证明的高频外汇结算多模态网络防御管线：把订单簿对抗防御、合成新闻检测和隐私结算整合为统一框架 - **时序预测模型与 LOB** / 面向量化交易的深度强化学习：融合变分模态分解与对比式 Transformer 的新框架：以 VMD 分离价格—成交量序列中的多尺度趋势与微观结构噪声 - **高频订单流与微观结构** / OpenMarket：用于高频预测市场研究的 Polymarket-Binance 同步数据集：发布首批公开的毫秒级 Polymarket BTC 与 Binance BTC/USDT 配对语料之一 - **金融时序预测模型** / 通过人工智能驱动的市场数据与情绪分析融合增强股票价格预测：在统一实验条件下横向比较十类统计、机器学习与深度学习预测器 - **高频订单流与微观结构** / 用于金融时间序列预测的分解增强网络 DENet：以三流架构分别建模稳定趋势、局部周期和高频动态 ## 本周精选阅读清单 为保证每周有足够可读内容，本区按“本周新增主榜、观察池精选、历史高价值复盘、常青资料轮播”补足；主榜仍只代表严格新增 idea。 1. **本周新增主榜** `30` [FOREX-SHIELD: A Multi-Modal Cyber-Defense Pipeline Combining Adversarially Hardened DeepLOB, Financial Transformers, and Zero-Knowledge Proofs for High-Frequency Foreign Exchange Settlement](https://doi.org/10.5281/zenodo.21664906)；本周新增且通过强量化相关性门槛 2. **本周新增主榜** `27` [Deep Reinforcement Learning for Quantitative Trading: A Novel Framework Integrating Variational Mode Decomposition and Contrastive Transformer](https://doi.org/10.37394/23207.2026.23.97)；本周新增且通过强量化相关性门槛 3. **本周新增主榜** `25` [OpenMarket: A Synchronized Polymarket-Binance Dataset for High-Frequency Prediction-Market Research](https://openalex.org/W7172067929)；本周新增且通过强量化相关性门槛 4. **本周新增主榜** `23` [Enhancing Stock Price Prediction through Artificial Intelligence-Driven Integration of Market Data and Sentiment Analysis](https://doi.org/10.14445/23939125/ijems-v13i6p102)；本周新增且通过强量化相关性门槛 5. **本周新增主榜** `18` [Decomposition-Enhanced Network for financial time series forecasting](https://doi.org/10.1038/s41598-026-63484-1)；本周新增且通过强量化相关性门槛 6. **本周新增主榜** `9` [Financial Time Series Forecasting using CNN and Transformer](https://arxiv.org/abs/2304.04912)；本周新增且通过强量化相关性门槛 7. **本周新增主榜** `9` [Deep Learning in Financial Time Series: A Comparative Analysis of RNN, GRU, LSTM, and Hybrid Models](https://doi.org/10.15179/ces.28.1.1)；本周新增且通过强量化相关性门槛 8. **本周新增主榜** `9` [Publishing Media Stock Prediction Based on TransXFormer](https://doi.org/10.1016/j.iref.2026.105681)；本周新增且通过强量化相关性门槛 9. **本周新增主榜** `9` [XALPHA: A Memory-Driven AI Quant Researcher for Hypothesis-to-Code Alpha Discovery](https://openalex.org/W7168054205)；本周新增且通过强量化相关性门槛 10. **本周新增主榜** `9` [From Forecasting Accuracy to Trading Profitability: Evaluating Sequence Models for Stock Price Prediction](https://doi.org/10.3390/a19070594)；本周新增且通过强量化相关性门槛 11. **本周新增主榜** `9` [MAPLE: Efficient and Diverse Multi-Alpha Generation for Portfolio Construction](https://openalex.org/W7171749864)；本周新增且通过强量化相关性门槛 12. **本周新增主榜** `9` [AlphaSchema: Exploring the Space of Trading Semantics for LLM-Based Alpha Mining](https://openalex.org/W7172067870)；本周新增且通过强量化相关性门槛 13. **本周新增主榜** `9` [FinVerse: Financial Time-Series Benchmark](http://arxiv.org/abs/2608.03259v1)；本周新增且通过强量化相关性门槛 14. **观察池精选** `21` [STSGAT: a Spatio-Temporal Sentiment Graph Attention Network for stock volatility forecasting](https://doi.org/10.54254/2977-3903/2026.35794)；弱金融锚点，缺少订单簿/收益/因子等硬锚点 15. **观察池精选** `9` [A Hybrid Ensemble Learning Framework for Forecasting Renewable Energy Stocks: Evidence from the Indonesia Stock Exchange](https://doi.org/10.35970/jinita.v8i1.3274)；弱金融锚点，缺少订单簿/收益/因子等硬锚点 ## 按类别整理的候选想法 ## AI 辅助因子生成 ### IDEA-2026-W32-0f560ffb — MAPLE：面向投资组合构建的高效多样化多Alpha生成框架 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://openalex.org/W7171749864 - 原题: MAPLE: Efficient and Diverse Multi-Alpha Generation for Portfolio Construction - 研究轴: 因子生成 / 表示学习, 模型训练 / 序列预测 - 管线落点: LLM 因子生成, MLP 时序预测 - 角色: `模型训练 / 融合候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `787` 字 研究亮点: - 在单次训练中显式生成多个低相关Alpha - 以极端排名加权损失兼顾组合相关位置与排序质量 - 框架不依赖特定骨干网络，并在五种架构上验证 - 以更少参数和训练时间取得更高的平均风险调整绩效 文章摘要: 本文研究深度学习股票排序模型难以在单次训练中产生多个低相关Alpha的问题。经典Alpha挖掘通常依靠大量预测能力有限但彼此相关性较低的信号，通过组合提高风险调整收益；相比之下，许多深度股票排序方法对每只股票只输出一个Alpha，并不断增加网络结构复杂度以追求增益。若要获得信号多样性，往往需要分别训练多个模型或依赖隐式路由，而且无法直接控制Alpha之间的相关性。MAPLE（Multi-Alpha Position-aware Listwise Ensembling）试图在不绑定具体骨干网络的前提下，把低相关多信号原则纳入一个训练过程。其框架包含统一且可按容量扩展的预测头、对排序极端位置赋予更高权重的listwise排序损失，以及显式惩罚不同Alpha两两相关性的多样性正则项。极端排序加权使训练更加关注投资组合构建中通常更重要的头部和尾部股票；相关性惩罚则直接约束多个输出不要退化为相似信号；容量扩展用于维持多样性与单个Alpha排序质量之间的平衡。研究在覆盖美国、中国和日本的四个股票市场上，与九个基线方法比较，并在五种骨干架构上检验通用性。结果显示，MAPLE取得最佳平均Sharpe和Calmar比率，最多使用少55倍的参数，并将训练时间最多降低2.5倍；跨五种骨干网络时，Sharpe提升10%—23%，Calmar比率提升17%—43%。行为分析进一步指出，即使尚未加入多样性损失，统一预测头本身也会降低Alpha间相关性；极端排序损失使相关性正则能够提高多样性而不必牺牲单Alpha排序质量，容量扩展则帮助这一平衡在更大规模下持续成立。文章据此主张，多Alpha生成的关键更可能是有原则的损失设计和容量分配，而非一味增加模型结构复杂度。现有材料未披露具体股票池、时间区间、特征集合、交易成本和组合约束，因此结果应限定在论文所采用的市场与评测设置内解释。 背景: 经典量化投资通过组合多个低相关预测信号提升风险调整收益，而深度股票排序模型通常只生成单一Alpha。依赖多个独立模型获取多样性会增加参数和训练成本，隐式路由又难以直接控制不同Alpha之间的相关程度。 逻辑: MAPLE把多Alpha视为联合学习问题：统一预测头在一次训练中输出多个信号，相关性正则显式推动信号分化，极端排序加权损失保护与组合构建最相关的头尾排序质量，并通过增加预测头容量缓解“降低相关性”与“保持单Alpha有效性”之间的冲突。 方法: 提出与骨干网络无关的Multi-Alpha Position-aware Listwise Ensembling框架，由容量可扩展的统一多输出预测头、极端排名加权的listwise排序损失和Alpha两两相关性惩罚组成；在九个基线及五种骨干架构上比较，并通过行为分析考察各组件对相关性和排序质量的作用。 数据: 实验覆盖美国、中国和日本的四个股票市场。现有材料未提供具体市场名称、股票数量、样本区间、输入特征、调仓频率及训练验证划分。 结果: MAPLE在九个基线中取得最佳平均Sharpe和Calmar比率，最多减少55倍参数并节省2.5倍训练时间。跨五种骨干架构时，Sharpe提升10%—23%，Calmar比率提升17%—43%。分析还发现，统一预测头自身即可降低Alpha间相关性，而极端排名损失和容量扩展有助于在增加多样性的同时维持单Alpha排序质量。 高频特征工程关注点: 本文重点不是构造订单不平衡、主动买卖、微价格、队列状态或事件时间等高频变量，而是对已有特征学习多个低相关Alpha。其可借鉴之处在于，对不同高频特征族或不同盘口状态生成的信号显式施加相关性约束，并让排序损失更关注横截面收益分布的极端位置；但材料没有提供高频采样、盘口特征或微观结构实验。 研究启发: 可将MAPLE式多输出头用于LLM候选因子或OB、SF、sidecar特征的联合学习，让MLP、LGB或Linear下游一次产生多个Alpha，并显式监控预测相关性、持仓相关性和边际组合贡献。极端排名加权目标适合与横截面选股任务结合，但需要通过严格时间切分、交易成本后回测以及独立持出期检验，确认多样性并非样本内去相关。对LLM因子生成而言，还可把表达式或语义差异与实际信号相关性分开评价，避免表面不同但输出高度同质的候选。 管线落点: 优先作为 MLP/LGB/Linear 的训练或融合实验，不直接改变因子数据；候选 routes: llm_factor_pipeline, mlp_codeX。 可能增益: 潜在增益在于提升多 horizon 序列预测稳定性，或改善 MLP/LGB/Linear 对 sidecar/context 特征的吸收方式。 ### IDEA-2026-W32-4e537914 — AlphaSchema：探索面向 LLM Alpha 挖掘的交易语义空间 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex AI Factor Generation - 链接: https://openalex.org/W7172067870 - 原题: AlphaSchema: Exploring the Space of Trading Semantics for LLM-Based Alpha Mining - 研究轴: 因子生成 / 表示学习 - 管线落点: LLM 因子生成 - 角色: `因子生成 / prompt 候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `671` 字 研究亮点: - 以结构化交易语义空间替代 LLM 的隐式、自由式搜索 - 将候选语义探索与可执行因子实现明确解耦 - 用奖励学习代理模型，并结合全局探索、定向利用和局部变异 - 相同语义方案由不同 LLM 实现时表现相近 文章摘要: 自动化 Alpha 挖掘越来越多地依靠大语言模型智能体生成因子并进行迭代搜索，但既有系统通常把因子构造和搜索决策同时交给智能体：模型不仅负责写出因子，还隐式决定下一步探索什么。由于缺少明确的候选空间以及系统化的导航机制，这类探索难以控制、复现和优化，也不容易判断搜索是否覆盖了足够多样的交易逻辑。AlphaSchema 为此提出一个结构化的“交易语义空间”，先描述候选因子要表达的经济与交易含义，再处理具体实现。空间中的每个点称为 schema plan，由 Event、Context、Qualities、Direction 和 Output 五个部分组成，分别刻画触发事件、条件背景、目标性质、预期方向及输出形式。框架将探索与实现解耦：选择机制负责在语义空间中确定待评估方案，LLM 只负责把选定方案翻译为可执行因子；因子经过评价后，奖励被累积起来，用于学习覆盖语义空间的代理模型。迭代选择同时结合全局探索、代理模型引导的利用以及对已有方案的局部变异，从而在保持语义多样性的同时，逐步把评估预算集中到高奖励区域。中国股票市场实验显示，该方法能够发现兼具预测能力和组合表现的因子池。进一步分析表明，搜索过程会访问语义空间中的不同区域，并随迭代推进提高对高奖励区域的配置比例；不同 LLM 对相同 schema plan 的实现具有相近的预测质量，说明在该框架内，挖掘效果主要由结构化语义搜索驱动，对具体 LLM 的选择具有一定鲁棒性。现有材料未披露样本区间、交易成本、基准模型、因子数量及具体绩效数值，因此无法据此判断收益幅度和统计显著性。 背景: LLM 智能体已经被用于自动生成和迭代发现 Alpha 因子，但传统方案往往没有显式定义探索空间，因子语义选择与代码实现均由智能体隐式完成，导致搜索过程不透明、难控制，也难以系统优化。 逻辑: 先把交易因子的语义定义为可搜索的结构化方案，再让 LLM 承担从语义方案到可执行表达式的实现工作。评价奖励用于学习语义空间上的代理模型，代理模型随后反过来指导候选选择，使探索能够在覆盖新区域、利用已知高奖励区域和局部改进之间取得平衡。 方法: 将每个候选因子表示为由 Event、Context、Qualities、Direction、Output 构成的 schema plan；通过全局探索、代理模型引导的利用和局部变异选择方案；由 LLM 将方案编译为可执行因子；评价因子并累积奖励，持续更新语义空间上的代理模型，形成闭环迭代搜索。 数据: 实验使用中国股票市场数据；现有材料未给出股票范围、时间区间、数据频率、字段构成及训练测试划分。 结果: 实验表明 AlphaSchema 能发现具有较强预测与组合表现的因子池；搜索既覆盖多样语义区域，又逐步向高奖励区域倾斜。不同 LLM 实现同一 schema plan 时预测质量相近，显示框架对 LLM 选择具有一定鲁棒性。现有材料没有提供具体指标和数值。 高频特征工程关注点: 其主要启发不是某一种盘口变量，而是把特征假设拆成显式语义维度。对于高频数据，可将订单不平衡、主动买卖、微价格、队列状态、成交时长、事件时间和盘口形态分别编码为 Event、Context 或 Qualities，再明确预测方向与输出形式，以减少同义重复并提高候选逻辑的可审计性。 研究启发: 可在 LLM 因子管线中把“提出交易逻辑”和“生成可执行表达式”分成两个阶段：先建立覆盖 OB、SF 与各类 sidecar 状态的 schema 计划，再让 LLM 生成受约束的候选实现。因子奖励可综合 MLP、LGB、Linear 的样本外预测结果和组合检验，并用于训练语义层代理模型；同时保留全局探索、奖励引导与局部变异三类候选来源。对同一 schema 使用多个 LLM 实现并比较输出，还可区分语义方案本身的价值与代码生成器差异。 管线落点: 可作为 LLM prompt、taxonomy 或人工研究背景；候选 routes: llm_factor_pipeline。 可能增益: 潜在增益待人工确认，当前不建议直接进入训练或回测。 ### IDEA-2026-W32-b294df0c — XALPHA：从假设到代码进行 Alpha 发现的记忆驱动型 AI 量化研究员 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://openalex.org/W7168054205 - 原题: XALPHA: A Memory-Driven AI Quant Researcher for Hypothesis-to-Code Alpha Discovery - 研究轴: 因子生成 / 表示学习 - 管线落点: LLM 因子生成 - 角色: `因子生成 / prompt 候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `655` 字 研究亮点: - 将孤立的因子生成扩展为持续演化的端到端研究闭环 - 用多源记忆统一保存报告知识与历次发现反馈 - 通过 Macro、Micro、Cross 三类 Brain 分离规划、实现和反思职责 - 在代码执行前校验假设、代码逻辑与金融合理性的三方一致性 文章摘要: 文章针对金融市场噪声高、非平稳且维度庞大所造成的稳健交易信号发现困难，重新审视自动化 Alpha 研究的组织方式。以往方法已从人工因子设计扩展到机器学习、进化搜索和基于大语言模型的因子生成，提升了候选因子的产生、搜索与评估效率，但多数系统仍只自动化研究流程中的孤立环节，缺少吸收外部金融知识、把研究假设闭环落实为可执行代码，以及从历次验证结果中持续学习的能力。XAlpha 因而被设计为一个记忆驱动的 AI 量化研究员，将 Alpha 挖掘组织成持续迭代的“阅读—提出假设—实现—验证—反思—演化”过程。其核心是多源研究记忆系统：一方面保存由研究报告支撑的金融知识，另一方面积累此前生成批次和研究周期的发现反馈。在这一记忆基础上，Macro Brain 负责规划研究主题并选择合适的 Archetype；Micro Brain 将规划得到的假设池转化为可执行因子代码，并在实证检验前检查研究假设、代码逻辑与金融合理性是否三方一致；Cross Brain 则汇总实证结果，形成生成批次级反馈、研究周期级总结及 Archetype 级研究线索，用于指导后续探索。该设计将一次性的因子生成转化为具有知识积累和反馈更新能力的闭环研究过程。文章在沪深300范围内开展实验，并报告 XAlpha 的整体 Alpha 发现表现优于代表性基线。不过现有材料没有披露具体因子数量、评价指标、提升幅度、回测区间、交易成本或稳健性检验，因此结论只能理解为框架层面的总体实验优势，尚无法据此判断其经济收益、跨市场泛化能力或长期稳定性。 背景: 金融市场具有高噪声、非平稳和高维特征，预测性且稳健的 Alpha 难以发现。机器学习、进化搜索和 LLM 框架虽提高了因子生成与评估效率，但现有系统通常缺少外部知识吸收、假设到代码的完整验证闭环以及跨研究周期的经验积累。 逻辑: 把研究报告中的金融知识与历次 Alpha 发现反馈共同写入长期研究记忆，再由分工明确的 Macro Brain、Micro Brain 和 Cross Brain完成研究规划、代码实现、事前一致性校验、实证反馈归纳及下一轮探索，从而使系统能够持续学习和演化。 方法: XAlpha 包含多源研究记忆系统和三个协作模块。Macro Brain 规划研究主题并选择 Archetype；Micro Brain 把假设池转化为可执行因子代码，并验证假设含义、代码逻辑和金融合理性的事前三方一致性；Cross Brain 汇总实证结果，产生批次级反馈、周期级总结和 Archetype 级研究提示，再将这些信息用于后续发现循环。 数据: 实验市场为沪深300。材料没有披露具体股票样本期、行情频率、输入数据种类、训练与测试划分、因子数量或研究报告来源。 结果: 文章报告 XAlpha 的整体 Alpha 发现性能优于代表性基线，但未提供基线名称、具体评价指标、数值提升、统计显著性、交易成本后收益或跨时期稳定性结果。 研究启发: 该框架可用于组织 LLM 因子管线中的知识读取、主题规划、因子代码生成、静态校验、实验反馈和跨轮记忆。Macro Brain 可规划 OB、SF、sidecar 或横截面研究主题，Micro Brain 可检查自然语言假设、生成代码与金融含义的一致性，Cross Brain 可聚合 MLP、LGB、Linear 及回测结果并形成下一轮约束。实施时仍需让记忆保留失败原因、数据契约、泄漏检查和基线制度，避免系统只积累成功案例或被历史噪声强化。 管线落点: 可作为 LLM prompt、taxonomy 或人工研究背景；候选 routes: llm_factor_pipeline。 可能增益: 潜在增益待人工确认，当前不建议直接进入训练或回测。 ## 时序预测模型与 LOB ### IDEA-2026-W32-dda220f2 — FOREX-SHIELD：融合对抗加固 DeepLOB、金融 Transformer 与零知识证明的高频外汇结算多模态网络防御管线 - 优先级: `high` - 状态: `candidate` - 来源: OpenAlex Semantic Works Search - 链接: https://doi.org/10.5281/zenodo.21664906 - 原题: FOREX-SHIELD: A Multi-Modal Cyber-Defense Pipeline Combining Adversarially Hardened DeepLOB, Financial Transformers, and Zero-Knowledge Proofs for High-Frequency Foreign Exchange Settlement - 研究轴: 数据坐标 / 高频状态, 模型训练 / 序列预测, 评估审计 / 可比性 - 管线落点: MLP 时序预测, LLM 因子生成 - 角色: `数据坐标 / sidecar 候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `816` 字 研究亮点: - 把订单簿对抗防御、合成新闻检测和隐私结算整合为统一框架 - 量化展示 DeepLOB 对目标化 PGD 微扰的预测翻转风险 - 通过动态在线对抗再训练显著提高模型防御稳健性 - 使用 ZK-SNARK 在隐藏敏感交易信息的同时验证合规约束 文章摘要: FOREX-SHIELD 面向高频外汇电子交易与结算系统中的复合网络安全风险。全球外汇现货市场每日处理超过 7.5 万亿美元交易量，机构基础设施日益依赖限价订单簿预测以及对宏观经济新闻的实时自然语言处理；与此同时，深度学习模型与自动执行系统的结合也引入了传统风控引擎难以覆盖的新攻击面，包括盘口欺骗、针对预测模型的微小扰动、伪造宏观新闻注入，以及结算审查过程中的账户余额和交易对手信息泄露。文章据此提出一个由市场微观结构预测、新闻真实性识别和隐私保护结算组成的多阶段防御框架。第一阶段将高频订单簿表示为 40×N 的价格—成交量时空结构，使用结合二维卷积层与循环单元的 DeepLOB 建模局部盘口形态及其时间演化。实验表明，未经防御的空间价格—成交量表示会受到微秒级目标化投影梯度下降攻击影响，攻击成功率最高达到 37.50%；在扩展到 64 个样本的评估中，攻击成功率为 15.62%。为增强稳健性，作者采用动态在线对抗再训练，在训练过程中即时生成扰动样本，使模型防御稳健率提升至 84.38%—100.00%，并在 64 次攻击尝试中阻止了 54 次预测翻转。第二阶段针对合成宏观新闻攻击，对领域适配的 FinBERT 进行微调，并以类别加权交叉熵处理类别不均衡；其在对抗探针上的准确率和 F1 值均为 85.71%，召回率达到 100.00%。第三阶段引入 ZK-SNARK 结算层，在不披露交易余额或机构交易对手元数据的情况下，确定性验证反洗钱风险限额与 R≤75 的流动性约束。端到端回测显示，完整多阶段评估延迟约为 120 毫秒，说明该框架具备接近实时机构清算的运行可行性。文章的主要贡献不在于单一预测精度提升，而是把模型对抗稳健性、文本攻击检测和隐私合规验证纳入同一防御链路。现有材料未披露订单簿数据来源、样本跨度、类别定义、常规预测基准及更大规模压力测试，因此其跨市场泛化能力和延迟结论仍需结合完整论文进一步判断。 背景: 高频外汇交易系统同时依赖订单簿预测、宏观新闻解析和自动化结算，因而可能遭受盘口欺骗、对抗扰动、合成新闻注入及合规审查中的隐私泄露。传统风险引擎难以统一处理这些相互关联的攻击面。 逻辑: 文章将高频外汇安全拆分为三个连续环节：先保护基于订单簿的短期预测免受微小对抗扰动，再识别可能影响自动交易决策的伪造宏观新闻，最后通过零知识证明完成不泄露敏感交易信息的合规与流动性约束验证。 方法: 使用二维卷积层和循环单元构成的时空 DeepLOB 处理 40×N 订单簿表示，以目标化 PGD 生成攻击并进行动态在线对抗再训练；使用类别加权交叉熵微调领域适配 FinBERT，以检测合成宏观新闻；使用 ZK-SNARK 验证反洗钱风险限额和 R≤75 的流动性约束。 数据: 材料说明模型处理高频外汇市场的 40×N 价格—成交量订单簿结构，并使用合成宏观新闻对抗探针及包含 64 个样本的扩展攻击评估；未披露具体交易场所、货币对、日期区间、订单簿档位定义或训练测试规模。 结果: 未加固 DeepLOB 的目标化 PGD 攻击成功率最高为 37.50%，在 64 样本扩展评估中为 15.62%。在线对抗再训练将防御稳健率提高到 84.38%—100.00%，阻止了 64 次攻击中的 54 次预测翻转。FinBERT 对抗新闻检测的准确率和 F1 值均为 85.71%，召回率为 100.00%。多阶段端到端评估延迟约为 120 毫秒。 高频特征工程关注点: 文章直接使用空间化的价格—成交量订单簿张量，强调盘口档位之间的局部结构及其时间演化，并表明此类连续数值特征可能对微小定向扰动敏感。高频特征构造除关注预测信息量外，还应审计价格、挂单量、订单不平衡和盘口形态在受限扰动下是否引发不成比例的类别翻转；材料未涉及主动买卖、微价格、队列状态、成交时长或事件时间的独立消融。 研究启发: 对 OB/SF 与 sidecar 数据，可增加受限价格—数量扰动、盘口档位局部扰动及伪造文本事件的稳健性测试，并把攻击前后预测翻转率作为审计指标。MLP、LGB、Linear 与 LLM 因子管线可分别检查连续特征敏感性、异常新闻输入和跨模态信号冲突；不过文章没有提供因子收益、横截面稳定性或不同模型族的比较证据，不能据此推断交易增益。 管线落点: 优先判断是否能成为 OB 1s exact-axis sidecar；候选 routes: mlp_codeX, llm_factor_pipeline。 可能增益: 潜在增益在于提供 baseline 186 因子没有表达的状态变量，帮助筛出在特定微观结构状态下更可靠的短周期预测信号。 ### IDEA-2026-W32-00fdd2a1 — 面向量化交易的深度强化学习：融合变分模态分解与对比式 Transformer 的新框架 - 优先级: `high` - 状态: `candidate` - 来源: OpenAlex Semantic Works Search - 链接: https://doi.org/10.37394/23207.2026.23.97 - 原题: Deep Reinforcement Learning for Quantitative Trading: A Novel Framework Integrating Variational Mode Decomposition and Contrastive Transformer - 研究轴: 模型训练 / 序列预测, 数据坐标 / 高频状态, 因子生成 / 表示学习 - 管线落点: MLP 时序预测, LLM 因子生成 - 角色: `数据坐标 / sidecar 候选` - 原文证据: `读取失败`；摘要质量: `低`；摘要长度: `692` 字；提示: 读取失败，summary 主要依赖元数据或人工 notes 研究亮点: - 以 VMD 分离价格—成交量序列中的多尺度趋势与微观结构噪声 - 通过时间感知的自监督对比式 Transformer 学习稳健市场状态 - 以差分夏普比率驱动改进 PPO，统一风险调整目标与组合决策 - 在 2024—2025 年标普 500 回测中报告较高收益风险比和受控回撤 文章摘要: 论文针对金融时间序列信噪比低、分布非平稳以及极端行情下监督模型容易过拟合的问题，提出一个由信号分解、自监督状态表示和强化学习决策组成的端到端量化交易框架。作者认为，传统模型往往难以同时提取价格—成交量序列中的非线性结构、保持长期依赖，并区分异常波动与可持续趋势；直接把噪声较强的高频数据输入交易策略，也会使状态估计和资产配置受到市场微观结构噪声干扰。框架首先使用变分模态分解 VMD，将原始价格—成交量数据拆分为若干内禀模态函数 IMF，以不同频率成分分离短期噪声和核心趋势。随后构建带时间感知机制的对比式 Transformer 编码器，通过自监督对比学习任务形成稳健的市场状态表示，减少对单一监督标签的依赖，并提升模型在异常和极端市场条件下的泛化能力。决策层采用改进的近端策略优化 PPO，将编码后的市场状态映射为组合操作，并以差分夏普比率作为核心奖励，使风险调整后表现能够逐步反馈到策略更新中，形成从时序表征到组合优化的闭环。论文在 2024—2025 年的标普 500 指数数据上进行回测，并以传统 LSTM 和均值—方差模型作为对照。摘要报告该模型取得 28.45% 的年化收益率和 2.18 的夏普比率，在全球市场波动期间的最大回撤为 -9.15%，整体表现优于上述基线。研究亮点在于把多尺度信号分解、无需人工标签的对比表征学习和直接面向交易目标的强化学习统一起来。不过，现有材料未说明标普 500 数据是指数、成分股还是组合级输入，也未披露交易频率、成本和滑点、VMD 参数、对比样本构造、资产权重约束及统计显著性，因此尚不足以判断收益提升在真实可交易条件下的稳健程度。 背景: 金融价格—成交量序列具有低信噪比、非线性、长期依赖和时变分布，极端行情还可能使依赖监督标签训练的模型过拟合。传统量化模型难以同时完成噪声分离、稳健状态提取和面向风险调整收益的动态决策。 逻辑: 框架遵循“先分解、再表征、后决策”的逻辑：VMD 将不同尺度的市场波动分开，对比式 Transformer 从分解后的序列中学习稳健状态，改进 PPO 再依据这些状态优化组合，并以差分夏普比率将收益与风险共同反馈给策略。 方法: 先对原始价格—成交量序列执行 VMD，得到多个 IMF；再使用带时间感知机制的 Transformer 编码器，通过自监督对比任务学习市场状态；最后使用改进 PPO 完成端到端组合优化，并以差分夏普比率作为核心奖励函数。实验将该方法与 LSTM 和均值—方差模型进行回测比较。 数据: 回测覆盖 2024—2025 年的标普 500 指数相关数据，输入包含价格和成交量。现有摘要没有说明具体证券范围、采样频率、样本数量、数据供应商、训练验证测试划分或交易成本设置。 结果: 摘要称该方法显著优于传统 LSTM 和均值—方差模型，年化收益率为 28.45%，夏普比率为 2.18，在全球市场波动期间的最大回撤为 -9.15%。材料未提供基线的具体数值、置信区间、显著性检验或扣除成本后的结果。 高频特征工程关注点: VMD 将价格—成交量序列按频率拆成多个 IMF，为高频数据提供多尺度去噪表示；时间感知的对比式 Transformer 则把不同时间片或扰动视图组织成自监督样本。对订单不平衡、主动买卖、微价格、成交时长和事件时间等高频变量，也可分别考察其低频状态成分与短暂微观结构噪声，但论文摘要没有说明其实际使用了这些盘口特征。 研究启发: 在 OB/SF/sidecar 中，可对价格、成交量、订单不平衡、主动买卖和事件时间特征分别构造多尺度分解版本，并将原始特征与 IMF 表示交给 MLP、LGB、Linear 做增量对照，检验提升究竟来自去噪还是模型容量。对比式编码器可作为序列表征分支，LLM 因子管线则可用于提出对比视图和状态变量定义；正式验证仍应固定交易成本、时点和样本切分，避免只依据强化学习回测收益判断有效性。 管线落点: 优先判断是否能成为 OB 1s exact-axis sidecar；候选 routes: mlp_codeX, llm_factor_pipeline。 可能增益: 潜在增益在于提供 baseline 186 因子没有表达的状态变量，帮助筛出在特定微观结构状态下更可靠的短周期预测信号。 ### IDEA-2026-W32-046c756d — 基于 CNN 与 Transformer 的金融时间序列预测 - 优先级: `medium` - 状态: `candidate` - 来源: Curated Model and Financial Time-Series Research - 链接: https://arxiv.org/abs/2304.04912 - 原题: Financial Time Series Forecasting using CNN and Transformer - 研究轴: 模型训练 / 序列预测 - 管线落点: MLP 时序预测 - 角色: `模型训练 / 融合候选` - 原文证据: `已读 PDF`；摘要质量: `高`；摘要长度: `903` 字 研究亮点: - 以 CNN 局部 token 与 Transformer 全局注意力统一建模短期和长期依赖 - 在标普500一分钟数据上采用严格的后季度时间测试 - 同时评估二分类、三分类及高置信度阈值化准确率 - 相较 EMA、ARIMA和DeepAR，在各项方向预测指标上均取得更高准确率 文章摘要: 金融价格序列同时包含短期局部波动形态与跨较长时间范围的依赖关系，单一模型往往只能覆盖其中一部分。论文指出，CNN 擅长从相邻观测构成的局部窗口中提取模式，但感受野有限；Transformer 借助多头自注意力建模全局上下文，适合捕捉长程依赖。作者据此提出 CNN and Transformer based time series modeling（CTTS）：先对每条价格序列进行区间为[0,1]的 min-max 缩放，再以一维 CNN 在时间轴上滑动，将各局部窗口投影为包含短期形态的 token；加入位置嵌入后，将 token 序列送入 Transformer 编码器学习窗口之间的长期关系，最后通过 softmax 输出下一时点价格上涨、下跌或持平的分类概率。实验采用 Bloomberg 提供的2019年标普500成分股一分钟级日内价格数据，每条样本以前80个时点预测第81个时点的价格变化方向。前39周用于训练和验证，其中80%训练、20%验证，约有50.7万条训练样本和11.7万条验证样本；第40至52周作为时间上靠后的测试集，共约20.9万条序列。CTTS 使用卷积核16、步长8，以及深度4、4个注意力头、嵌入维度128、dropout 0.3的 Transformer，以交叉熵和 AdamW 训练。作者同时设置二分类与上涨、下跌、持平三分类任务，并与 EMA、ARIMA、DeepAR及恒定类别预测比较。普通准确率下，CTTS 的二分类和三分类结果分别为56.7%和44.1%，高于 EMA 的53.2%和39.5%、ARIMA 的50.9%和37.5%、DeepAR 的51.1%和37.4%。仅保留主导类别预测概率超过其第75百分位的高置信度样本后，CTTS 准确率分别升至66.8%和55.2%，相应基线仍明显较低。论文由此认为，把局部卷积表示与跨窗口注意力结合，能比单纯统计模型或自回归循环网络更有效地完成日内价格方向预测。其结论边界在于实验只覆盖单一年份、标普500成分股和一分钟价格序列，评价目标是下一分钟方向准确率，并未在摘录中讨论交易成本、可实现收益或跨市场泛化。 背景: 金融时间序列具有噪声高、线性与非线性交互并存，以及短期模式和长期依赖同时存在的特点。传统统计方法、CNN和循环模型各有建模边界，促使作者研究局部卷积与全局自注意力的联合结构。 逻辑: 先由一维 CNN 把连续局部价格窗口压缩为短期模式 token，再由带位置编码的 Transformer 比较不同 token、学习更长范围的上下文关系，最终依据融合后的表示判断下一时点价格上涨、下跌或持平。 方法: 模型采用 min-max 标准化、一维 CNN token 化、位置嵌入、Transformer 编码器和 softmax 分类头。实验中的卷积核大小为16、步长为8；Transformer 深度为4，含4个自注意力头，嵌入维度为128，dropout 为0.3；以交叉熵、AdamW、批量大小64训练，最多100轮。评价包括普通方向准确率和仅统计高置信度预测的阈值化准确率。 数据: 数据为 Bloomberg 提供的2019年标普500成分股一分钟级日内价格。每条样本使用前80个时点预测第81个时点；前39周用于训练和验证，后13周用于测试。训练、验证和测试样本量约为50.7万、11.7万和20.9万。测试集中上涨、下跌、持平占比分别为37.1%、36.5%和26.4%。 结果: CTTS 普通二分类、三分类方向准确率分别为56.7%和44.1%，高于 EMA、ARIMA与DeepAR。以主导类别概率第75百分位作为置信度门槛后，CTTS 在保留样本上的二分类、三分类准确率分别为66.8%和55.2%。论文据此认为 CNN 与 Transformer 的组合能够同时利用局部形态和长程上下文。 高频特征工程关注点: 论文使用的是一分钟价格序列及 min-max 缩放，没有构造订单不平衡、主动买卖、微价格、队列状态或盘口形态等显式微观结构特征。其可辨识的特征工程思想是以一维卷积把固定长度局部窗口编码成 token，使短周期价格形态成为后续长程注意力的输入单元；高置信度阈值还可用于区分覆盖率与预测精度。 研究启发: 在我们的预测管线中，可把 MLP 作为静态窗口基线，并增加 CNN/TCN 局部编码器处理连续 OB/SF 或 sidecar 特征，再由 Transformer 建模跨窗口状态持续性和远距离依赖。应以相同股票、日期切分、预测 horizon 和标签定义，与 MLP、GRU/LSTM、LGB及 Linear 基线做公平比较；同时分别报告全样本效果与概率门控后的覆盖率、准确率及交易成本后结果，避免只看高置信度子集的表面提升。 管线落点: 优先作为 MLP/LGB/Linear 的训练或融合实验，不直接改变因子数据；候选 routes: mlp_codeX。 可能增益: 可形成可控模型路线：MLP baseline -> CNN/TCN 局部形态 -> GRU/LSTM 路径记忆 -> Transformer/attention 跨窗口上下文。 ## 金融时序预测模型 ### IDEA-2026-W32-301dbee5 — 通过人工智能驱动的市场数据与情绪分析融合增强股票价格预测 - 优先级: `high` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://doi.org/10.14445/23939125/ijems-v13i6p102 - 原题: Enhancing Stock Price Prediction through Artificial Intelligence-Driven Integration of Market Data and Sentiment Analysis - 研究轴: 评估审计 / 可比性, 模型训练 / 序列预测 - 管线落点: MLP 时序预测, 回测与可比性审计, LGB 融合与筛选 - 角色: `评估审计 / 可比性候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `843` 字 研究亮点: - 在统一实验条件下横向比较十类统计、机器学习与深度学习预测器 - 覆盖五个市场的25只科技股，而非局限于单一交易所 - 以 walk-forward 验证、早停和 Diebold–Mariano 检验加强模型比较 - 揭示负面新闻情绪召回不足这一实际应用边界 文章摘要: 本文针对股票价格受非线性波动、市场机制与投资者心理共同影响，而既有研究通常只比较少数模型、依赖单一情绪来源并局限于少量股票或单一交易所的问题，设计了一项在统一预处理、验证方式和情绪整合条件下开展的多模型、多市场基准研究。价格预测部分使用来自纽约证券交易所、纳斯达克、墨西哥证券交易所、上海市场和韩国市场的25只科技股五年日频数据，统一比较十类预测器：ARIMA、ETS、GARCH、随机森林回归、XGBoost、SVM、Prophet、LSTM、GRU以及 ARIMA-LSTM 混合模型。情绪部分收集 NewsAPI.org 的1,849篇新闻文章，以5,000和3,000两种词表规模分别训练 LSTM 与随机森林分类器，用于考察文本情绪对市场预测的补充价值。为避免宽松的数据切分夸大循环神经网络表现，作者对相关模型采用0.2的 dropout、耐心值为10的早停以及 walk-forward 验证，并通过 Diebold–Mariano 检验比较预测误差差异。论文报告 LSTM 的平均 RMSE 为77.29、MAPE 为2.58%，GRU 的平均 RMSE 为66.03、MAPE 为2.49%；ARIMA 和 Prophet 的平均 MAPE 分别为53.01%和33.87%，且 Diebold–Mariano 检验表明 LSTM 相对两者的优势在1%水平显著。需要注意的是，材料同时声称 LSTM 取得最低平均 RMSE，但所列 GRU RMSE 数值66.03低于77.29，文字结论与指标数值存在明显不一致，因而不能仅据该表述认定 LSTM 在所有误差指标上最优。情绪分类实验的关键限制是负面情绪召回率仍然偏低，意味着模型可能无法充分识别与下跌风险相关的新闻。整体上，研究支持深度序列模型在该基准中明显优于传统统计预测器，但也表明情绪融合的有效性受类别识别能力约束；同时，日频科技股样本、有限新闻规模及已报告指标的不一致限制了结论向其他资产、行业和频率的直接外推。 背景: 传统 ARIMA、GARCH 等模型难以完整描述股票价格的非线性和投资者心理影响，而许多深度学习研究又只在单一交易所的少数股票上比较一两个网络，且情绪数据来源和验证设计不统一，因此缺少覆盖多模型、多市场并保持实验条件一致的横向基准。 逻辑: 在相同数据处理和走步式验证条件下比较统计模型、机器学习模型、深度序列模型与混合模型，可以更可靠地识别架构本身的预测差异；再以统一新闻语料训练情绪分类器，可检验市场数据与投资者情绪结合后是否提供额外信息。 方法: 价格部分比较 ARIMA、ETS、GARCH、RFR、XGBoost、SVM、Prophet、LSTM、GRU 和 ARIMA-LSTM 十种模型。情绪部分以3,000和5,000词表分别训练 LSTM 与随机森林分类器。循环模型使用0.2 dropout、耐心值10的早停和 walk-forward 验证，并使用 RMSE、MAPE 与 Diebold–Mariano 检验评价预测表现。 数据: 价格数据为25只科技股的五年日频记录，股票分布于 NYSE、NASDAQ、墨西哥证券交易所、上海市场和韩国市场；文本数据为从 NewsAPI.org 获取的1,849篇新闻文章。 结果: 论文报告 LSTM 的平均 RMSE 为77.29、MAPE 为2.58%，GRU 为66.03和2.49%；ARIMA 与 Prophet 的平均 MAPE 分别为53.01%和33.87%。Diebold–Mariano 检验显示 LSTM 相对 ARIMA 和 Prophet 的优势在1%水平显著。负面情绪召回率仍然较弱。论文关于“LSTM 的平均 RMSE 最低”的文字与所列 GRU 数值相冲突，应在使用结论时进一步核对原表。 研究启发: 该研究可作为 MLP、LGB 与 Linear 预测器统一比较的实验设计参考：固定股票集合、时间窗口、预处理和 walk-forward 切分后，再判断模型架构或新闻情绪 sidecar 是否带来增量。新闻情绪可作为低频 sidecar 与价格、OB/SF 聚合状态按发布时间做严格时序连接，并分别构造正面、负面和不确定性特征。鉴于负面召回偏弱，LLM 因子管线不应只使用单一情绪分数，还应记录类别置信度、新闻覆盖度与负面漏检风险；回测审计则需核对指标方向、跨市场尺度差异和论文中类似 RMSE 排名矛盾的问题。 管线落点: 优先进入审计/评估方法库，服务 baseline 可比性和 SFT/BT 可信度；候选 routes: mlp_codeX, backtest_audit, lgb_codeX。 可能增益: 潜在增益在于减少不可比实验、泄露和过拟合带来的误判，让 SFT/BT 结论更可信。 ### IDEA-2026-W32-015ecf18 — 金融时间序列中的深度学习：RNN、GRU、LSTM及混合模型的比较分析 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://doi.org/10.15179/ces.28.1.1 - 原题: Deep Learning in Financial Time Series: A Comparative Analysis of RNN, GRU, LSTM, and Hybrid Models - 研究轴: 模型训练 / 序列预测 - 管线落点: MLP 时序预测 - 角色: `模型训练 / 融合候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `750` 字 研究亮点: - 在统一框架下比较三种独立循环网络和两种混合架构 - 使用随机搜索减少超参数选择对模型比较的干扰 - 同时采用三类误差指标与 Diebold–Mariano显著性检验 - GRU-LSTM取得最佳表现，预测误差较 LSTM约降低10% 文章摘要: 金融时间序列的高波动、非线性与噪声使价格预测难以依靠简单关系稳定完成。该研究围绕一个明确问题展开：在相同金融数据与评价框架下，标准循环神经网络、带门控的循环结构以及串联式混合结构，哪一类能够更有效地预测市场价格。作者比较五种深度学习架构，即 RNN、GRU、LSTM、RNN-LSTM和GRU-LSTM。RNN提供基本的序列状态传递机制；GRU与LSTM通过门控缓解普通循环网络处理长期依赖时的困难；两种混合模型则尝试组合不同循环单元的动态表达能力，使模型既能响应短期价格波动，也能保留较长时间跨度的信息。研究对象为2022年1月至2025年1月的标普500指数日频数据，以每日开盘价、最高价、最低价和成交量作为输入特征，以收盘价作为预测目标。为降低人工选择超参数造成的不公平，五类模型均通过随机搜索优化超参数。预测误差使用均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）从不同尺度衡量；除比较指标大小外，作者还使用 Diebold–Mariano 检验判断模型之间的预测准确率差异是否具有统计显著性。实证结果显示，两类混合架构总体优于独立的 RNN、GRU和LSTM，其中 GRU-LSTM表现最佳。论文将这一优势归因于混合结构对短期波动和长期依赖的协同捕捉：GRU较简洁的门控动态与LSTM的长期记忆能力形成互补。摘要报告，GRU-LSTM相较单独 LSTM 的预测误差约低10%，支持通过结构混合改善金融时序预测的结论。不过，现有材料没有列出各项指标的完整数值、数据划分方式、预测步长、随机搜索空间或网络层数，也没有提供交易成本和投资收益检验。因而文章证据主要说明在该标普500日频收盘价任务上的误差优势，不能直接推导到高频盘口、其他资产、方向分类或实际交易绩效。 背景: 金融市场数据具有显著波动性、非线性和噪声，普通循环网络又可能难以保持长期信息。研究因此比较不同门控循环结构及其混合形式，考察混合架构能否提升价格预测精度。 逻辑: RNN、GRU和LSTM对序列记忆的处理方式不同；将 RNN或GRU与LSTM组合，有望同时覆盖快速变化的短期动态与更持久的长期依赖。通过统一超参数搜索、多个误差指标及显著性检验，可以判断混合结构的改善是否稳定且具有统计意义。 方法: 比较 RNN、GRU、LSTM、RNN-LSTM和GRU-LSTM五种架构，对全部模型使用随机搜索优化超参数，以 RMSE、MAE和MAPE评价预测误差，并利用 Diebold–Mariano 检验比较模型预测准确率差异的统计显著性。现有材料未披露网络层数、预测步长、搜索空间和具体训练测试划分。 数据: 使用2022年1月至2025年1月的标普500指数日频数据。输入变量为开盘价、最高价、最低价和成交量，预测目标为收盘价。 结果: 混合模型总体优于独立 RNN、GRU和LSTM，其中 GRU-LSTM表现最好；其预测误差相较 LSTM约降低10%。作者认为结果支持混合循环架构在同时捕捉短期波动与长期依赖方面的有效性。 高频特征工程关注点: 该研究属于日频指数预测，仅使用开盘、最高、最低和成交量四项基础输入，未涉及订单不平衡、主动买卖、微价格、价格层记忆、队列状态、事件时间或盘口形态，因此不能提供经实证验证的高频微观结构特征结论。其特征层面的信息主要是以多变量 OHLCV 历史序列共同预测收盘价。 研究启发: 对我们的模型比较，可在完全一致的样本、标签、时间切分和 horizon 下设置 RNN、GRU、LSTM、GRU-LSTM与现有 MLP基线，并用 Linear和LGB作为非序列参照。OB/SF及 sidecar 输入应保持同一特征合同，避免把输入差异误判为架构收益；除常规误差外，可采用 Diebold–Mariano检验或配对时段检验评价预测差异，并进一步验证方向指标、成本后收益、跨月份稳定性与模型复杂度。鉴于论文是日频单指数回归，其约10%的误差改善只能作为待复验的架构假设，不能直接外推到高频 LLM因子或盘口预测。 管线落点: 优先作为 MLP/LGB/Linear 的训练或融合实验，不直接改变因子数据；候选 routes: mlp_codeX。 可能增益: 潜在增益在于提升多 horizon 序列预测稳定性，或改善 MLP/LGB/Linear 对 sidecar/context 特征的吸收方式。 ### IDEA-2026-W32-423c6ce2 — 从预测准确率到交易盈利能力：股票价格预测序列模型的评估 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://doi.org/10.3390/a19070594 - 原题: From Forecasting Accuracy to Trading Profitability: Evaluating Sequence Models for Stock Price Prediction - 研究轴: 模型训练 / 序列预测, 评估审计 / 可比性 - 管线落点: MLP 时序预测, 回测与可比性审计 - 角色: `评估审计 / 可比性候选` - 原文证据: `读取失败`；摘要质量: `低`；摘要长度: `651` 字；提示: 读取失败，summary 主要依赖元数据或人工 notes 研究亮点: - 在统一设置中同时评价预测准确率与交易盈利能力 - 覆盖91只ASX 100股票并比较四类深度序列模型 - 揭示近乎相同的MAPE可能对应明显不同的ROI - Seq2Seq在准确率和观测盈利能力上取得最佳综合表现 文章摘要: 本文关注股票价格预测研究中统计准确率与实际交易价值脱节的问题。金融时间序列具有噪声强、非线性和非平稳等特点，深度学习虽然提升了预测能力，但既有研究往往主要报告误差指标，较少检验预测结果能否转化为有效的投资决策。为弥合这一缺口，文章提出面向决策的多步股票价格预测评估框架，在统一实验环境中同时考察预测准确率与交易盈利能力，使不同模型的比较不仅回答“预测得是否接近真实价格”，也回答“预测能否产生经济价值”。研究使用清洗后的91只ASX 100成分股数据，以2019—2020年为测试期，在相同训练条件和交易条件下系统比较多层感知机（MLP）、门控循环单元（GRU）、Seq2Seq以及基于注意力的序列模型。实验结果显示，Seq2Seq取得最佳综合表现，平均MAPE最低，为0.0293，同时获得最高ROI 23.2%；注意力模型的平均MAPE为0.0294，与Seq2Seq几乎相同，但ROI仅为12.4%。这一对比表明，十分接近的统计预测误差并不必然对应相近的交易收益，模型预测在方向、时点或多步路径上的细微差别可能在交易决策中被放大。在所提出的评估框架下，Seq2Seq还取得了高于被动市场基准的观测回报。文章的核心贡献不是单纯提出更复杂的预测结构，而是把统计指标和盈利指标纳入同一套可比实验，说明仅凭预测误差选择模型可能无法完整衡量其实用价值。其结论适用于强调决策效用的模型评估，但摘要没有交代交易成本、滑点、具体信号构造、仓位约束及风险调整方式，因此ROI及相对基准表现仍应在这些实验边界内理解。 背景: 股票价格序列噪声强、非线性且非平稳。深度学习研究通常以MAPE等统计误差衡量模型，却较少验证预测结果在真实交易决策中的经济效用，因而可能出现预测精度相近而盈利能力明显不同的情况。 逻辑: 文章认为模型评价应同时覆盖统计准确性和经济效用。通过让多种序列模型共享相同的数据、训练设置和交易条件，再并列比较预测误差与ROI，可以检验较低误差是否真正对应较高交易收益，并识别只看准确率可能遗漏的模型差异。 方法: 构建统一的多步股价预测与交易评估框架，对MLP、GRU、Seq2Seq和注意力序列模型进行系统比较；评价同时包含平均MAPE与ROI，并将模型产生的观测回报与被动市场基准比较。 数据: 使用数据清洗后的91只ASX 100股票，测试期覆盖2019—2020年。摘要未说明训练期长度、输入变量、采样频率、复权方式及交易成本设置。 结果: Seq2Seq取得最低平均MAPE 0.0293和最高ROI 23.2%；注意力模型的平均MAPE为0.0294，但ROI为12.4%。Seq2Seq在该评估框架下获得高于被动市场基准的观测回报，说明预测误差相近的模型可能具有显著不同的交易价值。 研究启发: 可在MLP及其他时序模型的统一评测中，将预测误差、方向判断、信号换手、交易成本后收益和风险调整收益并列呈现，避免仅依据回归误差选模。对于OB、SF及sidecar特征，也应保持相同训练窗口、股票池、信号生成规则和回测约束，检验特征带来的误差改善是否能够稳定转化为可交易收益；模型或因子的晋级门槛可同时设置统计预测与经济绩效条件。 管线落点: 优先进入审计/评估方法库，服务 baseline 可比性和 SFT/BT 可信度；候选 routes: mlp_codeX, backtest_audit。 可能增益: 潜在增益在于减少不可比实验、泄露和过拟合带来的误判，让 SFT/BT 结论更可信。 ### IDEA-2026-W32-8536daa9 — FinVerse：面向金融时间序列的决策导向基准 - 优先级: `medium` - 状态: `candidate` - 来源: arXiv HFT Time-Series Forecasting - 链接: http://arxiv.org/abs/2608.03259v1 - 原题: FinVerse: Financial Time-Series Benchmark - 研究轴: 模型训练 / 序列预测, 评估审计 / 可比性 - 管线落点: 回测与可比性审计, MLP 时序预测 - 角色: `评估审计 / 可比性候选` - 原文证据: `已读 PDF`；摘要质量: `高`；摘要长度: `824` 字 研究亮点: - 按单条金融序列的经济含义分配评价指标 - 覆盖116,897条序列和1.711亿个观测的大规模金融数据制品 - 以点值预测、横截面排序和组合回测构成三层评价 - 实证显示通用基准排名与金融决策导向排名仅中度相关 文章摘要: FinVerse 关注时间序列基础模型评价中的一个核心错位：通用基准通常对性质迥异的序列统一使用点预测误差或概率预测指标，但统计误差较小并不必然意味着预测能支持更好的金融决策。例如，股票任务中，未来收益方向或横截面排序可能比价格点值误差更重要；CPI 等宏观指标还可能需要关注变化方向以及加速或减速。论文因此把金融序列的经济含义和决策情境作为指标选择依据，而不是让所有目标共享同一套 MASE、CRPS 等通用标准。完整数据制品包含116,897条金融时间序列、1.711亿个观测，其中60,232条、1,740万个观测因与金融决策的经济相关性而被选为正式评价目标。数据覆盖外汇、商品、加密资产、全球流动性、全球风险、市场指数、固定收益、国家市场指标、宏观指标、ETF、个股、基本面和新闻情绪，并包含日历日、交易日、周、月、季、年等频率。FinVerse 定义11个指标族、共78项指标，并按每条序列的经济意义匹配适当评价方式。总体评价分为点值预测、横截面排序和已实现投资组合回测三个方面；各组先对相关指标排名取几何平均，再汇总三个组别的名次，以减轻量纲差异和大类别对总榜的支配。论文评测43个公开时间序列基础模型。Reverso Small 获得总体第一，其后为 Chronos-2 Synth、TiRex 1.1、TimesFM 2.5 200M 和 Chronos-2，模型参数规模并不能稳定解释排名。与 GIFT-Eval 的43个匹配模型相比，两套排名的 Pearson 相关系数仅为0.40。不同评价层面的冠军也明显不同：TiRex 1.1 领先点值预测，Reverso Small 领先横截面排序，Chronos-2 Synth 领先组合评价；点值与横截面排名相关性为0.72，而点值与组合排名相关性仅为0.37。这些结果说明，通用预测精度、横截面选择能力和最终投资组合效果不可相互替代，金融预测基准应围绕真实决策目标进行领域化设计。 背景: 时间序列基础模型快速发展，但现有通用基准往往用统一误差指标评价异质序列。金融任务中的有效预测取决于具体经济含义和决策目标，因此通用指标上的领先未必对应可实现的金融价值。 逻辑: 不同金融序列对应不同决策问题，评价指标应由序列的经济语义决定。基准同时检查点值准确性、横截面排序和组合结果，才能揭示模型是否只是降低统计误差，还是确实提供了与金融决策相关的信息。 方法: 构建覆盖多类金融资产与经济变量的数据制品，从中选择经济决策相关目标；建立11个指标族、78项指标，并按单条序列的经济意义进行分配。评价被归纳为点值预测、横截面排序和已实现投资组合回测三组，各组以指标排名的几何平均形成组内排序，最终通过三个组别名次之和得到总体排名。 数据: 完整制品包含116,897条序列和1.711亿个观测，正式评价集包含60,232条序列和1,740万个观测。类别包括25条外汇、59条商品、4,700条加密资产、39条全球流动性、6条全球风险、22条市场指数、75条固定收益、32条国家市场指标、199条宏观指标、25,531条ETF、30,745条个股、55,442条基本面以及22条新闻情绪序列，频率覆盖日历日、交易日、周、月、季和年。 结果: 在43个公开时间序列基础模型中，Reverso Small 总体排名第一，随后是 Chronos-2 Synth、TiRex 1.1、TimesFM 2.5 200M 和 Chronos-2。FinVerse 与 GIFT-Eval 排名相关系数为0.40。点值、横截面和组合评价分别由 TiRex 1.1、Reverso Small、Chronos-2 Synth 领先；点值与横截面排名相关性为0.72，点值与组合排名相关性为0.37，表明不同评价目标不能互相替代。 高频特征工程关注点: 论文重点在评价而非高频特征构造，但其“按经济语义匹配指标”的原则适用于高频任务：订单不平衡、主动买卖、微价格、队列状态、成交时长和盘口形态不应只按统一回归误差评价，还应分别检查方向判断、横截面排序、事件条件下的稳定性以及计入换手和交易约束后的组合结果。 研究启发: 可将现有 OB、SF 和 sidecar 特征对应的任务先按经济含义分组，再分别建立点值、方向、横截面 IC/排序和组合回测指标，避免仅凭单一损失或单一 IC 选择模型。MLP、LGB、Linear 及 LLM 因子的比较应使用一致的数据窗口和组合规则，但允许不同目标使用不同的主指标；总排名可借鉴组内排名聚合，降低某一类大量序列或某一指标量纲对结果的支配。尤其需要把预测误差领先与可交易表现领先分开报告。 管线落点: 优先进入审计/评估方法库，服务 baseline 可比性和 SFT/BT 可信度；候选 routes: backtest_audit, mlp_codeX。 可能增益: 潜在增益在于减少不可比实验、泄露和过拟合带来的误判，让 SFT/BT 结论更可信。 ## 高频数据特征工程 ### IDEA-2026-W32-4c2430e3 — 基于 TransXFormer 的出版传媒股票预测 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://doi.org/10.1016/j.iref.2026.105681 - 原题: Publishing Media Stock Prediction Based on TransXFormer - 研究轴: 模型训练 / 序列预测, 高频特征工程 - 管线落点: MLP 时序预测 - 角色: `高频数据特征工程候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `626` 字 研究亮点: - 协同建模金融序列的长记忆结构与全局注意关系 - 利用 MPA-Macro Boost 融合宏观基本面和多视角交易数据 - 同时支持股票价格点预测与区间预测 - 明确指出价格水平 R²不能直接证明收益率可预测性 文章摘要: 文章关注中国出版传媒行业在传统纸媒衰退、内容平台竞争加剧、资本退出和政策调整等多重冲击下出现的估值波动与风险识别问题。作者认为，上市出版传媒公司的股价是观察行业运行和资本市场预期的重要载体，但其时间序列具有显著的非线性、长程依赖和动态不确定性，既有预测方法难以同时刻画这些结构，容易产生价格预测误差并干扰风险判断。为此，文章提出端到端预测模型 TransXFormer，通过架构创新协同建模长记忆结构与全局注意力，使模型既能保留跨期信息，又能识别序列中相距较远的关联。模型进一步引入 MPA-Macro Boost 机制，在内部完成宏观基本面信息与多视角交易数据的跨尺度融合，并利用不确定性感知和时间约束机制处理金融序列随时间变化的风险与依赖结构。实验覆盖两个出版传媒 ETF 数据集和五家出版传媒上市公司的股票数据集，同时考察价格点预测与区间预测，而不只输出单一价格估计。七项预测任务的平均价格水平 R²约为90%，其中股票代码601999在2007—2025年数据上的最高 R²达到98.33%。文章同时明确限定了这一指标的解释范围：基于价格水平计算的高 R²只能反映模型对短期价格水平的拟合或预测表现，不能直接证明未来收益率具有可交易的可预测性。因此，研究的主要贡献在于面向特定行业金融序列提出长记忆、全局注意、跨尺度多源融合和不确定性建模相结合的预测框架；其结果适用于评价价格水平预测能力，但尚不能据此推导交易收益、方向命中率或风险调整后绩效。 背景: 出版传媒行业正经历传统印刷媒体衰退、数字内容平台竞争、资本撤离与政策变化，相关上市公司的估值因此呈现系统性波动。股票价格序列的高非线性、长记忆和动态不确定性，使传统方法较难稳定捕捉其演化规律。 逻辑: 通过同时刻画长期记忆、全局依赖、宏观基本面与多视角交易信息之间的跨尺度关系，并显式处理时间约束和预测不确定性，提高出版传媒股票短期价格水平的点预测与区间预测能力。 方法: 提出端到端 TransXFormer：以长记忆结构和全局注意力进行协同序列建模；通过 MPA-Macro Boost 机制融合宏观基本面与多视角交易数据；加入不确定性感知及时间约束机制；最终同时生成股票价格的点预测和区间预测。输入材料未披露网络层数、损失函数、训练窗口、预测步长及区间校准方式。 数据: 实验使用两个出版传媒 ETF 数据集和五个出版传媒上市公司股票数据集，共形成七项预测任务。已明确披露的个案为股票代码601999的2007—2025年数据；其余标的名称、采样频率、特征字段和样本划分未在材料中说明。 结果: 七项价格预测任务的平均价格水平 R²约为90%；股票代码601999在2007—2025年数据上的最高 R²为98.33%。论文强调，价格水平 R²衡量的是短期价格水平预测表现，不构成收益率可预测性或可交易获利能力的直接证据。 高频特征工程关注点: 可关注其将宏观基本面与多视角交易数据进行内生跨尺度融合的设计，并结合长记忆、全局依赖和不确定性表征构造时序特征。不过材料没有说明是否使用订单不平衡、主动买卖、微价格、队列状态、成交时长、事件时间或盘口形态，因此不能将这些具体高频特征归因于文章。 研究启发: 可将文章的跨尺度融合思路用于检验 OB/SF/sidecar 中不同时间尺度信息的联合表征，并在 MLP、LGB 或 Linear 基线之外设置带长记忆和全局注意的序列模型对照。若进入因子管线，应把价格水平预测与收益率预测严格分开，补充方向命中率、收益 IC、交易成本后回测和区间覆盖率，避免以高水平 R²直接判断因子有效。 管线落点: 优先进入高频 feature pool / sidecar taxonomy，同时服务 LGB/Linear/MLP 和 LLM factor prompt；候选 routes: mlp_codeX。 可能增益: 潜在增益在于提升特征池的信息密度和可解释性，让 LGB/Linear/MLP/LLM 因子管线都能共享同一套高频行为表达。 ## 高频订单流与微观结构 ### IDEA-2026-W32-5996a505 — OpenMarket：用于高频预测市场研究的 Polymarket-Binance 同步数据集 - 优先级: `high` - 状态: `candidate` - 来源: OpenAlex LOB and Market Microstructure - 链接: https://openalex.org/W7172067929 - 原题: OpenMarket: A Synchronized Polymarket-Binance Dataset for High-Frequency Prediction-Market Research - 研究轴: 数据坐标 / 高频状态, 评估审计 / 可比性, 模型训练 / 序列预测 - 管线落点: LLM 因子生成, 数据 sidecar / 高频衍生数据 - 角色: `数据坐标 / sidecar 候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `832` 字 研究亮点: - 发布首批公开的毫秒级 Polymarket BTC 与 Binance BTC/USDT 配对语料之一 - 以显式配对元数据和双时钟分析审计跨场所领先—滞后关系 - 通过同步无关的事件研究确认报价响应约为数百毫秒量级 - 公开负样本外结果，明确区分信息响应与可交易预测优势 文章摘要: OpenMarket 是一项面向预测市场微观结构研究的数据与方法发布。研究最初试图利用 Binance BTC/USDT 订单流预测并交易 Polymarket 上以比特币为标的的15分钟二元合约，但严格的样本外检验没有发现可交易优势。作者据此将重点转向公开实验过程中形成的跨市场同步语料、采集基础设施和可复现评估流程，为研究中心化加密货币市场与链上预测市场之间的信息传递提供毫秒级数据基础。冻结于 v0.5.2 标签的档案包含202个归档快照、727,098,247条去重记录，覆盖2026年2月12日至5月15日期间 Polymarket 的54个观测日和 Binance 的57个观测日，并构造了2,936,031个带显式配对元数据的领先—滞后样本。配套 Rust 管线负责数据采集、毫秒级配对、Parquet 导出及走步式校准。预测实验从市场微观结构中提取43项特征，使用 walk-forward 逻辑回归进行样本外检验，并将模型与 Polymarket 订单簿自身隐含的概率比较。结果显示，模型没有超过该内生概率，表现还略差；在论文设定的手续费和滑点假设下，模拟交易每次尝试的归一化净收益为-0.116。描述性分析还发现 Polymarket 最优档价差通常为一个最小价格单位。跨市场时序方面，场所源时钟显示的表观中位滞后为16毫秒，档案期内相对时钟漂移上界为6毫秒，但由于仅有单一采集观察点，仍存在约正负99毫秒的常数偏移歧义。为降低这一同步识别风险，作者又仅使用采集器时钟开展无需跨源时钟同步的事件研究，发现 Polymarket 报价对 Binance 大幅价格变动的响应中位时间为347毫秒。论文的核心结论不是建立成功的交易策略，而是以透明的负结果说明：跨场所存在可测的信息响应过程，并不意味着基于公开订单流的简单模型能够获得增量样本外预测力。其边界主要来自单一采集视角下无法消除的固定时钟偏移，以及结果对费用、滑点、特征集合和研究窗口的依赖。 背景: 预测市场合约价格反映事件结果概率，而 Binance 等高流动性现货市场可能更快吸收比特币相关信息。研究需要毫秒级同步数据来检验信息从现货订单流向预测市场报价传播的速度，并判断这种领先关系是否足以形成样本外交易优势。此前缺少带显式配对元数据的公开 Polymarket BTC 与 Binance BTC/USDT 高频联合语料。 逻辑: 若 Binance 订单流和价格变化领先 Polymarket 报价，则相关微观结构状态可能改善对15分钟二元合约概率的预测；但这一假设必须同时通过时钟误差审计、走步式样本外比较以及计入费用和滑点的交易检验。论文将跨场所响应存在与可交易预测优势严格区分。 方法: 作者构建 Rust 数据管线完成双市场事件采集、去重、毫秒级配对、Parquet 导出和 walk-forward 校准；从微观结构数据生成43项特征，训练逻辑回归模型，并与 Polymarket 订单簿隐含概率进行样本外比较。时序分析同时使用场所源时钟估计领先—滞后关系，并以仅依赖采集器时钟的事件研究规避跨源同步误差。 数据: v0.5.2 冻结档案包含202个快照和727,098,247条去重记录；覆盖2026年2月12日至5月15日，含 Polymarket 54个观测日、Binance 57个观测日以及2,936,031个显式领先—滞后配对样本，市场对象为 Polymarket 的 BTC 15分钟二元合约和 Binance BTC/USDT。 结果: 43项特征的走步式逻辑回归没有超过 Polymarket 订单簿隐含概率，且略微落后；计入既定手续费和滑点后，每次尝试的模拟归一化净收益为-0.116。Polymarket 最优档价差呈现一跳特征。源时钟上的表观中位滞后为16毫秒，相对漂移不超过6毫秒，但仍有约正负99毫秒的常数偏移歧义；仅基于采集器时钟的事件研究显示，Polymarket 报价对 Binance 大幅变动的响应中位时间为347毫秒。 高频特征工程关注点: 论文展示了跨场所高频特征构造的关键要素：将 Binance 订单流与 Polymarket 盘口状态按毫秒配对，形成显式领先—滞后样本，并从43项微观结构变量建模。其时钟审计说明，订单不平衡、主动买卖、微价格、盘口形态等特征若跨市场组合，必须同时保存源时间、采集时间、配对误差和漂移界限；否则数十毫秒级的表观领先关系可能由固定时钟偏移造成。 研究启发: 可将该数据发布视为跨市场高频 sidecar 的设计参考：在 OB/SF 数据旁保存 Binance 与预测市场事件、双时间戳、配对元数据及同步质量字段，再由 LGB、Linear 或 MLP 分别检验非线性、线性和序列增量。LLM 因子管线可围绕跨场所订单不平衡、主动成交冲击、报价响应时长和事件时间衰减生成候选因子，但晋级门槛应要求相对订单簿隐含概率的样本外增益、同步歧义压力测试及费用后回测同时成立，避免把可观测领先误判为可交易优势。 管线落点: 优先判断是否能成为 OB 1s exact-axis sidecar；候选 routes: llm_factor_pipeline, data_processing_sidecar。 可能增益: 潜在增益在于提供 baseline 186 因子没有表达的状态变量，帮助筛出在特定微观结构状态下更可靠的短周期预测信号。 ### IDEA-2026-W32-53c0cf23 — 用于金融时间序列预测的分解增强网络 DENet - 优先级: `high` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://doi.org/10.1038/s41598-026-63484-1 - 原题: Decomposition-Enhanced Network for financial time series forecasting - 研究轴: 模型训练 / 序列预测, 评估审计 / 可比性 - 管线落点: 数据 sidecar / 高频衍生数据, Linear/Ridge baseline, MLP 时序预测 - 角色: `数据坐标 / sidecar 候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `668` 字 研究亮点: - 以三流架构分别建模稳定趋势、局部周期和高频动态 - 为不同时间尺度配置线性投影、深度可分离卷积和非线性自回归映射 - 在日频与5分钟多步预测中均优于七种先进基线 - 将双尺度预测接入 R-Breaker 策略并在多个回测窗口验证交易表现 文章摘要: 金融期货序列同时具有强非平稳性、高噪声和多时间尺度耦合：缓慢变化的全局趋势、季节或局部周期以及高频扰动叠加在同一观测中，单一结构的预测模型往往难以同时保持趋势估计的稳定性和对局部冲击的敏感度。本文提出分解增强网络 DENet，以“分而治之”的多流架构为不同动态配置不同归纳偏置。主路径先通过移动平均提取较稳定的趋势，再使用双路径线性投影进行预测，侧重全局结构和鲁棒性；辅助流 I 使用深度可分离卷积捕捉季节性及局部周期模式；辅助流 II 采用类似非线性自回归的映射刻画高频动态。三个分支并非简单拼接，而是通过自适应融合机制组合，使模型能够根据序列状态平衡全局趋势、局部结构和高频变化。作者在真实期货数据上将 DENet 与七种先进基线比较，并同时考察日频预测以及5分钟频率下的多步预测。铁矿石期货实验中，DENet 在日频任务上的 RMSE 相对各基线平均降低10.15%；在5分钟、向前预测12步的设置下，MAE 平均降低22.57%，表明多流分解在高噪声短周期预测中仍能提供明显增益。论文还将模型产生的双尺度预测接入带参数切换和动态仓位管理的 R-Breaker 策略，以检验预测改进能否转化为交易表现。在五个回测窗口中，铁矿石期货策略的年化收益率较基准策略平均提高7.6个百分点。研究的突出之处在于把结构分解、不同归纳偏置的专用分支、自适应融合以及下游交易验证连成一体。不过，摘要没有披露具体样本区间、期货品种全集、交易成本、基线名称和统计显著性；目前可确认的量化结论主要集中于铁矿石期货，跨市场泛化能力仍需依据完整实验细节判断。 背景: 金融期货价格具有非平稳、高噪声和多尺度耦合特征。全局趋势、局部周期与高频冲击需要不同的建模偏置，单一路径模型往往难以将它们有效分离。 逻辑: 先把序列中的稳定趋势、局部周期和高频动态交给结构不同的预测分支，再根据样本状态自适应融合，可同时获得全局预测的稳健性与对局部变化的敏感性，并改善多时间尺度预测。 方法: DENet 由三条流组成：主路径以移动平均和双路径线性投影提取稳定趋势；辅助流 I 以深度可分离卷积建模季节性和局部周期；辅助流 II 以非线性自回归式映射捕捉高频动态。各分支通过自适应机制融合。双尺度预测随后被接入具有参数切换和动态仓位管理的 R-Breaker 策略。 数据: 实验使用真实期货市场数据，明确报告了铁矿石期货的日频预测、5分钟频率下向前12步预测，以及五个窗口的策略回测；摘要未披露完整品种列表、样本日期和数据规模。 结果: 相较七种先进基线，DENet 在铁矿石期货日频预测上的 RMSE 平均降低10.15%，在5分钟、12步预测任务中的 MAE 平均降低22.57%。结合双尺度预测的 R-Breaker 策略在五个回测窗口中的年化收益率较基准平均提高7.6个百分点。 高频特征工程关注点: 研究的特征表示重点是按时间尺度分解原始金融序列：移动平均承载低频趋势，深度可分离卷积提取局部周期和季节模式，非线性自回归映射表示高频变化。它并未直接使用订单不平衡、主动买卖、微价格、队列或盘口层级数据，因此其高频贡献主要属于序列分解与多尺度表示，而非订单簿微观结构特征工程。 研究启发: 可在 sidecar 中保留不同时间尺度的独立特征族：趋势分量供 Linear/Ridge 建立透明基线，局部卷积或滚动模式供 MLP 学习，高频非线性与交互项可由 MLP/LGB 建模，再通过受约束融合评估增量。若应用于 OB/SF，还可将价格序列分解与订单不平衡、主动买卖、微价格、价格层记忆、队列状态和事件时间分别编码，避免把所有尺度和数据坐标混入单一输入。LLM 因子管线可生成“趋势—局部周期—高频状态”三类候选因子，但应通过逐分支消融、统一窗口和统一成本回测确认每一类信息的独立贡献。 管线落点: 优先判断是否能成为 OB 1s exact-axis sidecar；候选 routes: data_processing_sidecar, linear_codeX, mlp_codeX。 可能增益: 潜在增益在于提供 baseline 186 因子没有表达的状态变量，帮助筛出在特定微观结构状态下更可靠的短周期预测信号。 ## 观察池 以下内容有一定金融/交易语境，但缺少订单簿、收益预测、因子、回测或市场微观结构等量化硬锚点；本期不进入主榜。完整观察池保留在 JSON 审计文件中。 - `21` [STSGAT: a Spatio-Temporal Sentiment Graph Attention Network for stock volatility forecasting](https://doi.org/10.54254/2977-3903/2026.35794)；弱金融锚点，缺少订单簿/收益/因子等硬锚点 - `9` [A Hybrid Ensemble Learning Framework for Forecasting Renewable Energy Stocks: Evidence from the Indonesia Stock Exchange](https://doi.org/10.35970/jinita.v8i1.3274)；弱金融锚点，缺少订单簿/收益/因子等硬锚点 - `9` [FinTech Disruption, Retail Banking Dynamics, and Digital Financial Assets: A Volatility Spillover and Risk-Adjusted Performance Analysis](https://doi.org/10.36948/ijfmr.2026.v08i04.84420)；方法或泛金融相关，但缺少量化硬锚点 - `9` [Determinants of Financial Well-being of Individuals in Gampaha District, Sri Lanka](https://doi.org/10.4038/jbt.v10i2.282)；弱金融锚点，缺少订单簿/收益/因子等硬锚点 ## 常青资料库 以下资料已在历史周报覆盖，但仍有长期参考价值；不再占用本周新增 idea 名额。 ### AI 辅助因子生成 - [AlphaAgent：带正则化探索的 LLM Alpha 挖掘以对抗 Alpha 衰减](https://arxiv.org/abs/2502.16789)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [Chain-of-Alpha：基于 LLM 的自动公式化 Alpha 挖掘框架](https://www.researchgate.net/publication/394426875_Chain-of-Alpha_Unleashing_the_Power_of_Large_Language_Models_for_Alpha_Mining_in_Quantitative_Trading)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [FactorMAD：基于 LLM 多智能体辩论的可解释 Alpha 因子挖掘](https://dl.acm.org/doi/10.1145/3768292.3770377)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [LLM 驱动的自动稳健特征工程](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5124841)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [量化投资中的 LLM 自动策略发现](https://aclanthology.org/2025.findings-emnlp.1005/)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [面向稀疏投资组合优化的 LLM 进化式 Alpha 因子发现](https://openreview.net/forum?id=Zs3ZXwfaIu)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 ### 时序预测模型与 LOB - [Deep Limit Order Book Forecasting：深度限价订单簿预测与 LOBFrame 基准](https://arxiv.org/abs/2403.09267)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [LENS：用于探索金融时序规律的大规模预训练 Transformer](https://arxiv.org/abs/2408.10111)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [LSTM、GRU 与 Transformer 在股票价格趋势预测中的比较分析](https://arxiv.org/abs/2411.05790)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [LiT：限价订单簿Transformer](https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1616485/full)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [TLOB：基于限价订单簿数据的双注意力 Transformer 股价趋势预测模型](https://arxiv.org/abs/2502.15757)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 ### 订单簿表示与逐笔数据 - [基于注意力机制的限价订单簿阅读、突出与全簿预测](https://arxiv.org/abs/2409.02277)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 ### 评估审计与风险控制 - [金融科技系统中的自适应风险评估：基于强化学习的连续策略优化](https://doi.org/10.62762/jse.2026.605759)；首次 `2026-W25`；最近 `2026-W26`；出现 `2` 次；历史高频资料 ### 金融时序预测模型 - [用于股票收益预测的自适应金融 Transformer 与市场状态门控注意力](https://openalex.org/W7166902226)；首次 `2026-W28`；最近 `2026-W28`；出现 `2` 次；本周重复，已移入常青资料 ### 高频数据特征工程 - [中信建投：市场微观结构系列研究，从分钟频到 Level2 的探索与发现](https://view.inews.qq.com/a/20251217A01V3A00)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [国信证券：高频订单成交数据蕴含的 Alpha 信息](https://www.fxbaogao.com/detail/4095774)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [国信金工：基于主动买卖特征的高频订单因子改进](https://finance.sina.com.cn/roll/2024-08-20/doc-inckfzcs5651129.shtml)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [开源证券：市场微观结构观察与2023年以来的高频因子回顾](https://www.fxbaogao.com/detail/4984776)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [挂单方向长期记忆性的讨论与应用](https://www.fxbaogao.com/detail/4339762)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 ## 本周高分来源 - `30` [FOREX-SHIELD：融合对抗加固 DeepLOB、金融 Transformer 与零知识证明的高频外汇结算多模态网络防御管线](https://doi.org/10.5281/zenodo.21664906) — OpenAlex 语义论文检索; 数据坐标 / 高频状态, 模型训练 / 序列预测, 评估审计 / 可比性; MLP 时序预测, LLM 因子生成 - `27` [面向量化交易的深度强化学习：融合变分模态分解与对比式 Transformer 的新框架](https://doi.org/10.37394/23207.2026.23.97) — OpenAlex 语义论文检索; 模型训练 / 序列预测, 数据坐标 / 高频状态, 因子生成 / 表示学习; MLP 时序预测, LLM 因子生成 - `25` [OpenMarket：用于高频预测市场研究的 Polymarket-Binance 同步数据集](https://openalex.org/W7172067929) — OpenAlex 订单簿与微观结构专题; 数据坐标 / 高频状态, 评估审计 / 可比性, 模型训练 / 序列预测; LLM 因子生成, 数据 sidecar / 高频衍生数据 - `23` [通过人工智能驱动的市场数据与情绪分析融合增强股票价格预测](https://doi.org/10.14445/23939125/ijems-v13i6p102) — OpenAlex 金融时序模型专题; 评估审计 / 可比性, 模型训练 / 序列预测; MLP 时序预测, 回测与可比性审计, LGB 融合与筛选 - `18` [用于金融时间序列预测的分解增强网络 DENet](https://doi.org/10.1038/s41598-026-63484-1) — OpenAlex 金融时序模型专题; 模型训练 / 序列预测, 评估审计 / 可比性; 数据 sidecar / 高频衍生数据, Linear/Ridge baseline, MLP 时序预测 - ` 9` [基于 CNN 与 Transformer 的金融时间序列预测](https://arxiv.org/abs/2304.04912) — 模型与金融时序预测精选; 模型训练 / 序列预测; MLP 时序预测 - ` 9` [金融时间序列中的深度学习：RNN、GRU、LSTM及混合模型的比较分析](https://doi.org/10.15179/ces.28.1.1) — OpenAlex 金融时序模型专题; 模型训练 / 序列预测; MLP 时序预测 - ` 9` [基于 TransXFormer 的出版传媒股票预测](https://doi.org/10.1016/j.iref.2026.105681) — OpenAlex 金融时序模型专题; 模型训练 / 序列预测, 高频特征工程; MLP 时序预测 - ` 9` [XALPHA：从假设到代码进行 Alpha 发现的记忆驱动型 AI 量化研究员](https://openalex.org/W7168054205) — OpenAlex 金融时序模型专题; 因子生成 / 表示学习; LLM 因子生成 - ` 9` [从预测准确率到交易盈利能力：股票价格预测序列模型的评估](https://doi.org/10.3390/a19070594) — OpenAlex 金融时序模型专题; 模型训练 / 序列预测, 评估审计 / 可比性; MLP 时序预测, 回测与可比性审计 - ` 9` [MAPLE：面向投资组合构建的高效多样化多Alpha生成框架](https://openalex.org/W7171749864) — OpenAlex 金融时序模型专题; 因子生成 / 表示学习, 模型训练 / 序列预测; LLM 因子生成, MLP 时序预测 - ` 9` [AlphaSchema：探索面向 LLM Alpha 挖掘的交易语义空间](https://openalex.org/W7172067870) — OpenAlex AI 因子生成专题; 因子生成 / 表示学习; LLM 因子生成 - ` 9` [FinVerse：面向金融时间序列的决策导向基准](http://arxiv.org/abs/2608.03259v1) — arXiv 高频时序预测; 模型训练 / 序列预测, 评估审计 / 可比性; 回测与可比性审计, MLP 时序预测 ## 人工 Review Checklist - 是否明确 `t` 时刻可见信息和预测 horizon？ - 是否只是已有 OB/SF/PLM/CS 的 rolling-window 变体，还是新增了观察坐标？ - 是否能沉淀为高频数据特征工程模板，例如订单不平衡、主动买卖、价格层记忆、事件时间或盘口形态？ - 应作为 predictor、gate/context、normalizer 还是 evaluation audit？ - 是否存在版权、付费源或全文再分发风险？