Hierarchical Information-Guided Spatio-Temporal Mamba for Stock Time Series Forecasting

要約

Mambaは、優れた選択メカニズムにより、さまざまな時系列予測タスクで優れたパフォーマンスを実証しています。
それにもかかわらず、従来のマンバベースのモデルは、包括的な市場のダイナミクスと個々の株式間の複雑な相互依存関係の両方を適切にキャプチャできないため、在庫時系列を正確に予測する際に重要な課題に遭遇します。
これらの制約を克服するために、階層的な情報誘導空間時代のマンバ（HIGSTM）フレームワークを紹介します。
HIGSTMは、時系列から共通性と特異性を抽出するために、インデックスガイドの周波数フィルタリング分解を導入します。
モデルアーキテクチャは、株式市場内で時間的な動的パターンとグローバルな静的関係の両方を体系的にキャプチャする細心の注意を払って設計された階層的なフレームワークを特徴としています。
さらに、マクロの情報をシーケンス選択プロセスに統合する情報誘導MAMBAを提案し、それにより、より多くの市場に敏感な意思決定を促進します。
CSI500、CSI800、およびCSI1000データセットで実施された包括的な実験評価は、HIGSTMが最新のパフォーマンスを達成することを示しています。

要約(オリジナル)

Mamba has demonstrated excellent performance in various time series forecasting tasks due to its superior selection mechanism. Nevertheless, conventional Mamba-based models encounter significant challenges in accurately predicting stock time series, as they fail to adequately capture both the overarching market dynamics and the intricate interdependencies among individual stocks. To overcome these constraints, we introduce the Hierarchical Information-Guided Spatio-Temporal Mamba (HIGSTM) framework. HIGSTM introduces Index-Guided Frequency Filtering Decomposition to extract commonality and specificity from time series. The model architecture features a meticulously designed hierarchical framework that systematically captures both temporal dynamic patterns and global static relationships within the stock market. Furthermore, we propose an Information-Guided Mamba that integrates macro informations into the sequence selection process, thereby facilitating more market-conscious decision-making. Comprehensive experimental evaluations conducted on the CSI500, CSI800 and CSI1000 datasets demonstrate that HIGSTM achieves state-of-the-art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google