文章 "神经网络在交易中的应用：基于自适应模态分解（ACEFormer）的时间序列预测" 新评论 MetaQuotes 2026.07.31 08:44 新文章 神经网络在交易中的应用：基于自适应模态分解（ACEFormer）的时间序列预测已发布： 我们诚邀您探索 ACEFormer 架构 — 一种将概率注意力机制的有效性与自适应时间序列分解相结合的现代解决方案。本文将对那些寻求在金融市场中平衡计算性能和预测准确性的读者有所帮助。 开发预测模型的努力可以追溯到二十世纪后期。早期的神经网络架构表明，原则上可以通过训练模型来预测市场走势。然而，这些方法无法在较长的时间范围内保留信息，并且很快就会忘记不久前发生的事件。 LSTM 网络的引入改善了这种情况。得益于其记忆机制，LSTM 模型能够在较长时期内保留重要模式。它们很快被广泛应用于时间序列预测。然而，事情并非那么简单。金融时间序列数据不同于传统的序列数据。它们是不规则的，tick（逐笔报价）之间的间隔往往不均匀。它们包含大量短暂出现的峰值，这些峰值几乎无法提供有关潜在市场趋势的有意义信息。 高频交易带来了尤为严峻的挑战。它产生了通常所称的市场噪声 — 即在极短的时间间隔内反复出现的报价波动。这些波动掩盖了真实的趋势，增加了数据的不稳定性，并使预测模型被无关紧要的事件所淹没。因此，即使是复杂的神经架构也可能开始关注令人分心的短期变化，而非真正重要的信息。 为了应对这些挑战，论文“An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting”（一种具有新型定位机制和改进 EMD 的端到端结构用于股票预测）介绍了 ACEFormer 框架 — 一种专为高频交易环境设计的金融时间序列分析集成架构。ACEFormer 并非仅代表一个单一的预测模型，而是融合了多个互补的组件，每个组件分别承担不同的任务：噪声过滤、不规则时间间隔建模以及对最具信息量的市场动态的选择性关注。 作者：Dmitriy Gizlyk 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 神经网络在交易中的应用：基于自适应模态分解（ACEFormer）的时间序列预测已发布：
开发预测模型的努力可以追溯到二十世纪后期。早期的神经网络架构表明，原则上可以通过训练模型来预测市场走势。然而，这些方法无法在较长的时间范围内保留信息，并且很快就会忘记不久前发生的事件。
LSTM 网络的引入改善了这种情况。得益于其记忆机制，LSTM 模型能够在较长时期内保留重要模式。它们很快被广泛应用于时间序列预测。然而，事情并非那么简单。金融时间序列数据不同于传统的序列数据。它们是不规则的，tick（逐笔报价）之间的间隔往往不均匀。它们包含大量短暂出现的峰值，这些峰值几乎无法提供有关潜在市场趋势的有意义信息。
高频交易带来了尤为严峻的挑战。它产生了通常所称的市场噪声 — 即在极短的时间间隔内反复出现的报价波动。这些波动掩盖了真实的趋势，增加了数据的不稳定性，并使预测模型被无关紧要的事件所淹没。因此，即使是复杂的神经架构也可能开始关注令人分心的短期变化，而非真正重要的信息。
为了应对这些挑战，论文“An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting”（一种具有新型定位机制和改进 EMD 的端到端结构用于股票预测）介绍了 ACEFormer 框架 — 一种专为高频交易环境设计的金融时间序列分析集成架构。ACEFormer 并非仅代表一个单一的预测模型，而是融合了多个互补的组件，每个组件分别承担不同的任务：噪声过滤、不规则时间间隔建模以及对最具信息量的市场动态的选择性关注。
作者：Dmitriy Gizlyk