ИИ, осведомленный о рынке, обнаруживает скрытые связи с акциями и устраняет узкие места в вычислениях для трейдеров
В последнее время сочетание характеристик акций с межакционными корреляциями стало распространенным и эффективным подходом к прогнозированию движения запасов. Однако финансовые данные представляют собой серьезные проблемы из-за низкого отношения сигнал/шум и динамической сложности рынка, что приводит к двум ключевым ограничениям существующих методов. Во-первых, на отношения между акциями сильно влияют многогранные факторы, включая макроэкономическую динамику рынка, и текущие модели не могут адаптивно отразить эти развивающиеся взаимодействия в конкретных рыночных условиях. Во-вторых, для обеспечения точности и своевременности, необходимых для реальной торговли, существующие методы интеллектуального анализа финансовых данных с трудом извлекают полезные зависимости, ориентированные на шаблоны, из длинных исторических данных, сохраняя при этом высокую эффективность и низкое потребление памяти. Чтобы устранить эти ограничения, мы предлагаем FinMamba, основанную на Mamba-GNN структуру для многоуровневого гибридного прогнозирования движения акций с учетом рынка. В частности, мы разрабатываем динамический график, чтобы изучить меняющиеся представления межакционерных отношений, интегрируя модуль сокращения, который адаптируется к рыночным тенденциям. После этого с помощью избирательного механизма многоуровневая Мамба отбрасывает ненужную информацию и сбрасывает состояния, чтобы умело вызывать исторические закономерности в нескольких временных масштабах с линейными временными затратами, которые затем совместно оптимизируются для надежного прогнозирования. Обширные эксперименты на фондовых рынках США и Китая демонстрируют эффективность предложенной нами системы FinMamba, обеспечивающей высочайшую точность прогнозирования и прибыльность торговли при сохранении низкой вычислительной сложности. Код доступен по адресу https://github.com/TROUBADOUR000/FinMamba.
## В чем суть открытия Финансовые рынки быстро меняются, запутывая стандартные алгоритмы. Новый гибридный подход отсекает шумные рыночные связи и фильтрует длинную историю с линейной эффективностью, значительно повышая точность прогнозирования акций и прибыльность торговли. ## Как это устроено: принцип работы Эта модель создает динамический рыночный график, который отсекает ненужные межакционные отношения, основанные на макроэкономических сдвигах. Затем он применяет многоуровневый механизм выборочного пространства состояний для отбрасывания шума и сброса состояний памяти во временных масштабах с линейной временной сложностью. Наконец, эти графические и временные представления совместно оптимизированы для точного прогнозирования движения цен на акции. ## Что это меняет на практике Позволяет фирмам, занимающимся количественной торговлей, и хедж-фондам обрабатывать многолетние высокочастотные тиковые данные и сложные рыночные зависимости со значительно меньшими затратами памяти и более высокой прибыльностью прогнозирования. ## Границы метода и риски Для того, чтобы полагаться на динамическую обрезку графиков, необходимы точные макроэкономические индикаторы, а экстремальные изменения рыночного режима «черного лебедя» могут временно исказить перезагрузку состояния до того, как обновления графиков стабилизируются. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** Stock movement prediction accuracy, cumulative trading profitability, linear time and memory complexity - **Размер выборки / валидация:** N = Historical equities datasets from U.S. and Chinese stock markets - **Реализация в открытом доступе:** Да (верифицируемый репозиторий кода)