文章 "交易中的神经网络：自适应周期分块（LightGTS）" 新评论 MetaQuotes 2026.09.28 15:12 新文章 交易中的神经网络：自适应周期分块（LightGTS）已发布： 本文将为大家介绍创新的自适应分块技术，这是一种在考虑时序数据内在周期性的前提下，对时间序列做灵活分块的方法。我们还会讲解一种高效编码技术，该技术在处理不同尺度的数据时，可以保留重要语义特征。金融市场数据具备复杂、多尺度的典型特点，上述两类方法为此类数据的精准处理开辟了新路径，能够显著提升预测结果的稳定性与可靠性。 时间序列的独特之处在于它自身的节律。文本里的词元对应的是词语，而时间序列则格外看重尺度与周期性。部分数据每小时更新一次，另一些数据则每 15 分钟更新一次。一部分数据呈现日度、周度季节性特征，另一些则表现出季度、年度的季节规律。以上全部要素共同构成所谓内在周期，也就是数据当中反复出现的模式，这对高质量预测至关重要。此外，当数据尺度发生改变，周期长度也会随之改变；如果模型无法处理该现象，它的泛化能力就会急剧下降。 现存绝大多数模型都采用固定分词策略，这正是问题所在。它们只是简单地将数据切分为等长片段，完全没有考虑尺度或是周期结构。这就造成部分词元承载的数据量过大，而另一些词元几乎是空的。信息变得模糊，重复出现的周期模式也遭到破坏。当在某一尺度训练得到的模型被迁移应用到另一尺度时，该问题会体现得尤为明显：预测精度下降，不得不增加参数量，最终导致训练耗时与训练成本双双上涨。 《LightGTS：轻量通用时间序列预测模型》一文的作者决定不再依靠暴力穷举，而是采用一套合理的方案：利用时间序列本身固有的特性，即尺度不变性与周期性。这项研究的成果便是LightGTS框架 —— 轻量化、高效，专门面向真实场景下的时间序列预测任务。其核心思路不是去对抗多尺度问题，而是主动适配不同尺度。 作者不再采用生硬切分得到相同片段的方式，转而提出周期词元化方法。模型自适应地把数据切分为片段，片段长度等于一个完整周期。这使得模型无论在哪种尺度下，都能捕获完整规律 —— 无论是日线图还是一分钟 K 线图。词元内部的语义在不同尺度下保持一致，从而使特征表征在任务间更稳定、更易迁移。 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 交易中的神经网络：自适应周期分块（LightGTS）已发布：
时间序列的独特之处在于它自身的节律。文本里的词元对应的是词语，而时间序列则格外看重尺度与周期性。部分数据每小时更新一次，另一些数据则每 15 分钟更新一次。一部分数据呈现日度、周度季节性特征，另一些则表现出季度、年度的季节规律。以上全部要素共同构成所谓内在周期，也就是数据当中反复出现的模式，这对高质量预测至关重要。此外，当数据尺度发生改变，周期长度也会随之改变；如果模型无法处理该现象，它的泛化能力就会急剧下降。
现存绝大多数模型都采用固定分词策略，这正是问题所在。它们只是简单地将数据切分为等长片段，完全没有考虑尺度或是周期结构。这就造成部分词元承载的数据量过大，而另一些词元几乎是空的。信息变得模糊，重复出现的周期模式也遭到破坏。当在某一尺度训练得到的模型被迁移应用到另一尺度时，该问题会体现得尤为明显：预测精度下降，不得不增加参数量，最终导致训练耗时与训练成本双双上涨。
《LightGTS：轻量通用时间序列预测模型》一文的作者决定不再依靠暴力穷举，而是采用一套合理的方案：利用时间序列本身固有的特性，即尺度不变性与周期性。这项研究的成果便是LightGTS框架 —— 轻量化、高效，专门面向真实场景下的时间序列预测任务。其核心思路不是去对抗多尺度问题，而是主动适配不同尺度。
作者不再采用生硬切分得到相同片段的方式，转而提出周期词元化方法。模型自适应地把数据切分为片段，片段长度等于一个完整周期。这使得模型无论在哪种尺度下，都能捕获完整规律 —— 无论是日线图还是一分钟 K 线图。词元内部的语义在不同尺度下保持一致，从而使特征表征在任务间更稳定、更易迁移。
作者：Dmitriy Gizlyk