Deep Learning for Financial Time Series机器翻译，仅供参考！可使用微信自带翻译功能自行翻译获取文献链接/翻译/pdf/文章解析请加入知识星球“量化前沿速递”文章主要内容概述
研究背景与目标
本文提出了一项针对现代深度学习架构在金融时间序列预测和仓位管理任务中的大规模基准测试，重点关注夏普比率优化。研究评估了线性模型、循环网络、基于Transformer的架构、状态空间模型以及最新的序列表示方法，在涵盖商品、股指、债券和外汇的日度期货数据集上进行样本外性能评估，时间跨度为2010年至2025年。评估不仅限于平均收益，还包括统计显著性、下行风险与尾部风险度量、盈亏平衡交易成本分析、对随机种子选择的鲁棒性以及计算效率。
核心发现
1.结构化时序建模优于通用模型：明确设计用于学习丰富时序表示的模型持续优于线性基准和通用深度学习模型，后者通常在标准时间序列基准中表现领先。
2. 混合模型表现突出：VSN + LSTM（变量选择网络与长短期记忆网络结合）实现了最高的整体夏普比率；VSN+xLSTM 和 LSTM+PatchTST 在调整下行风险后的特性方面表现出色。
3. 交易摩擦鲁棒性：xLSTM 展现出最大的盈亏平衡交易成本缓冲，表明其对交易摩擦具有更强的鲁棒性。
4. 线性模型局限性：线性动态单独不足以应对金融市场的复杂性，尽管在线性模型在特定高波动时期可能有竞争力，但它们无法提供跨时间的稳定表现，且相对于被动基准提供的增量价值有限。
5. 归纳偏置决定成败：非线性模型提升了平均性能，但结果因架构而异。通用Transformer和状态空间模型表现出异质性和对市场状态敏感的行为。相反，旨在学习结构化时序表示的模型（如VLSTM）提供了持续强劲且稳定的经风险调整回报，表明表示压缩、自适应记忆和时序抽象在低信噪比环境中尤为有价值。
6. 风险控制与收益同等重要：下行暴露、尾部行为和在减少种子聚合下的稳定性显著影响模型适用性。基于VLSTM的策略结合了有竞争力的回报、适度的回撤，并在较弱的实验预算下保持稳定，表明其表现并非仅由有利的种子选择驱动。
7. 渐近效率不保证实证优势
：尽管状态空间模型在理论上具有吸引人的复杂性，但其实证有效性更强烈地依赖于归纳偏置而非渐近扩展本身。
结论与启示
总体而言，有效的金融预测模型受益于联合去噪收益率、学习资产特定及状态感知的动力学，并以稳定和自适应的方式编码时序结构。虽然结论受限于所使用的数据集和回测协议，但该基准为未来金融领域的深度学习研究提供了一个透明的参考点。
成功的模型需要在以下方面取得平衡：
1.持久且自适应门控的状态表示
2.表示压缩或特征条件机制
3.可控的交易强度以保持实施稳健性
4.在不利市场实现下的稳定性
最重要的是，最具经济吸引力的模型并非一定是平均夏普比率最高的模型，而是那些能够在平均回报、回撤控制、尾部韧性以及交易成本容忍度之间共同取得平衡，并符合现实部署约束的模型。
