AI投研應(yīng)用系列專題報告：基于NARX動態(tài)神經(jīng)網(wǎng)絡(luò)的指數(shù)擇時策略.pdf

AI投研應(yīng)用系列專題報告：基于NARX動態(tài)神經(jīng)網(wǎng)絡(luò)的指數(shù)擇時策略。在金融時間序列預(yù)測領(lǐng)域，神經(jīng)網(wǎng)絡(luò)架構(gòu)經(jīng)歷了從簡單感知向復(fù)雜時序建模的重要演進(jìn)。 早期循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）首次引入隱狀態(tài)記憶機(jī)制，但存在梯度消失/爆炸問題，難以捕獲 長期依賴。隨后長短期記憶網(wǎng)絡(luò)（LSTM）及其變體門控循環(huán)單元（GRU）通過門控設(shè)計(jì)較好地解 決了長期依賴問題，成為多年來的主流時序建模方案。近年來，時序卷積網(wǎng)絡(luò)（TCN）依托因果 膨脹卷積結(jié)構(gòu)實(shí)現(xiàn)了更高效的并行計(jì)算與長期依賴建模；而源于自然語言處理的Transformer模 型，也憑借自注意力機(jī)制在長序列預(yù)測中展現(xiàn)出顯著潛力。 在此背景下，帶外部輸入的非線性自回歸網(wǎng)絡(luò)（NARX）以其獨(dú)特的結(jié)構(gòu)設(shè)計(jì)和良好的可解釋 性，為多變量金融時間序列預(yù)測提供了一個直觀而有力的工具。