HARN多时间框架预测：只在K线完成时更新，告别重复计算
HARN: Hierarchical Associative Resonance Network for Event-Driven Multi-Timeframe Forecasting
📖 AI 总结
本文提出HARN（分层联想共振网络），一种面向事件驱动多时间框架预测的金融时间序列模型。针对金融数据在多个时间尺度上演化、传统方法需重复计算未变表示的问题，HARN在各级时间层维护持久表示，仅当对应时间框架的完整K线生成时才更新该层，从而避免冗余计算。其架构融合因果多尺度时间编码、门控联想记忆、跨层共振与分层证据聚合，预测在基点空间进行并还原至原始价格尺度。作者在股票、外汇和商品市场的四类资产上，采用多随机种子与组件消融进行评测，结果显示HARN在重建价格预测误差上与单时间框架的PatchTST和TimeXer基线具有竞争力，消融实验揭示了各组件在不同资产与时间框架下的作用，并通过代码级审计检验了实现与事件驱动因果协议的一致性。研究将HARN定位为持久化多时间框架预测框架，而非普适预测优越性的证据。
🔑 关键词速览
| HARN | 分层关联共振网络，一种用于事件驱动多时间框架金融预测的架构，通过维护持久表示并仅在K线完成时更新来避免重复计算。 |
| 事件驱动 | 一种计算范式，其中系统状态仅在特定事件（如K线完成）发生时更新，而非按固定时间间隔更新。 |
| 多时间框架 | 指在多个时间分辨率（如分钟、小时、日）上同时分析金融时间序列，以捕捉不同尺度的模式。 |
| 关联记忆 | 一种神经网络记忆机制，通过键值关联存储和检索信息，此处用于跨时间层级整合信息。 |
| 基点空间 | 以基点（万分之一）为单位表示价格变化的空间，用于预测时标准化不同资产的价格尺度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅