文章 "交易中的神经网络：基于双注意力的趋势预测模型"

[MetaQuotes]

新文章 交易中的神经网络：基于双注意力的趋势预测模型已发布：

我们继续讨论时间序列的分段线性表示的运用，这在前一篇文章中已经开始。今天，我们要看看如何将该方法与其它时间序列分析方法相结合，从而提高价格趋势预测品质。

大量研究致力于金融时间序列的预测和分析。传统的统计方法往往假设时间序列是由线性过程生成的，这限制了它们在非线性预测中的有效性。机器学习和深度学习方法有能力捕获非线性关系，由此在金融时间序列建模方面已展现出极大成功。许多研究都专注于提取特定时间点的特征，并将其用于建模和预测。然而，这种方式往往忽视了数据交互，和短期波动连续性。

为了解决这些局限性，研究《基于双注意力并配以双特征的股价趋势预测模型》提出了一种双特征提取方法。该方法利用了单时间点和多时态间隔两者。它将短期行情特征、与长期时态特征集成在一起，从而提高预测准确性。所提议模型基于编码器-解码器架构，并在编码器和解码器阶段都采用了注意力机制，能够识别长期时间序列中最具相关性的特征。

本研究引入了一种新的趋势预测模型（TPM），设计用于通过运用双特征提取、和双注意力机制来预测股价趋势。TPM 旨在预测股价走势的方向、及持续时间。所提议方式的主要贡献如下：

1. 基于不同时间范围的一种新型双特征提取方法，有效提取重要的市场信息，并优化预测结果。TPM 使用分段线性回归和卷积神经网络，分别从金融时间序列中提取长期和短期行情特征。通过双特征表示市场信息可显著提高模型的预测性能。
2. 股票价格趋势预测模型（TPM），使用了编码器-解码器结构、和双注意力机制。通过在编码器和解码器阶段添加注意力机制，TPM 自适应选择最相关的短期行情特征，并将它们与长期时态特征相结合，从而提高预测准确性。

作者：Dmitriy Gizlyk