冻结时间序列基础模型的混合神经经典校正：高频股票预测的综合消融研究

时间序列预测的基础模型展示了令人印象深刻的零样本泛化能力，但在高频金融等专业领域往往表现不佳。我们提出了一项混合神经经典校正的综合研究，用于在波动的开盘交易时间内使冻结的 TimesFM（200M 参数）适应股票回报预测。我们比较了两种神经校正架构——AttnCorrect（多头自注意力，大约 471K 个参数）和 GatedLinear（带门控的低秩双线性投影，大约 49K 个参数）——每个架构都通过随机森林残差学习进行了增强。通过对 10 只主要科技股（NVDA、MSFT、AAPL、GOOG、GOOGL、AMZN、META、AVGO、TSLA、NFLX）跨越 200 万个数据点的系统消融，我们揭示了重要的见解：（1）混合神经经典方法实现了 0.597 的汇总相关性和比冻结的 TimesFM 6.4 倍的平均每日相关性改进； （2）经典残差学习（随机森林）提供最大的单分量贡献，匹配或超过神经校正分量； (3) 当经典残差学习被移除时，更简单的神经架构出人意料地优于复杂的神经架构； (4) 自注意力提供了最大的纯神经贡献。 GatedLinear+RF 实现了最佳的整体性能，神经参数比 AttnCorrect+RF 少了 9 倍。我们报告了三个互补的相关指标——每日平均值、跨日累积指标和汇总指标——以提供预测质量的完整情况。我们的结果提供了实用指导：有效的基础模型适应需要仔细整合神经组件和经典组件，其中经典方法发挥着至关重要的补充作用。