用混合注意力模型预测高频股价，精准捕捉涨跌趋势。
HAELT: A Hybrid Attentive Ensemble Learning Transformer Framework for High-Frequency Stock Price Forecasting
- 融合残差网络、自注意力与长短时记忆-变压器结构，动态适应市场变化。
- 在2024年1月至2025年5月的苹果公司小时数据上，测试集F1分数最高。
- 适合追求高精度短期交易策略的量化研究者和金融工程师。
高频股票价格预测因非平稳性、噪声和波动性而极具挑战。为应对这些问题，我们提出混合注意力集成学习变压器框架（HAELT），该框架结合基于残差网络的降噪模块、用于动态聚焦相关历史的时序自注意力机制，以及同时捕捉局部与长程依赖的混合LSTM-Transformer核心。各组件根据近期表现自适应集成。在2024年1月至2025年5月的苹果公司（AAPL）小时数据上评估，HAELT在测试集上取得最高F1得分，有效识别出上涨与下跌价格走势。这表明HAELT在稳健、实用的金融预测与算法交易方面具有潜力。
原文摘要 · Abstract (English)
High-frequency stock price prediction is challenging due to non-stationarity, noise, and volatility. To tackle these issues, we propose the Hybrid Attentive Ensemble Learning Transformer (HAELT), a deep learning framework combining a ResNet-based noise-mitigation module, temporal self-attention for dynamic focus on relevant history, and a hybrid LSTM-Transformer core that captures both local and long-range dependencies. These components are adaptively ensembled based on recent performance. Evaluated on hourly Apple Inc. (AAPL) data from Jan 2024 to May 2025, HAELT achieves the highest F1-Score on the test set, effectively identifying both upward and downward price movements. This demonstrates HAELT's potential for robust, practical financial forecasting and algorithmic trading.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。