金融时间序列预测基线模型评估：机器学习与深度学习方法对比实证研究

本项目旨在系统评估多种基线机器学习（ML）和深度学习（DL）模型在金融时间序列预测任务上的表现，为量化交易和风险管理提供模型选择的实证参考。核心内容包括金融预测的挑战背景、评估方法论、各类基线模型介绍、性能指标解读及模型选择建议等，帮助读者理解不同模型的适用场景与局限。

股票价格预测因金融时间序列的高度非线性、非平稳性和噪声特征而极具挑战。有效市场假说认为资产价格反映所有可用信息，难以通过历史数据持续获超额收益，但ML/DL技术的进步为捕捉传统方法难以发现的模式提供了新工具。本项目基于此背景，通过实证评估基线模型，为实践者提供参考依据。

项目核心目标是实证评估经典、广泛使用的基线模型性能。评估方法论步骤包括：1.数据收集（历史股票价格数据如开盘/收盘价、成交量等）；2.特征工程（提取技术指标或构建滞后特征）；3.数据分割（按时间顺序划分训练/验证/测试集，避免数据泄露）；4.模型训练与超参数调优；5.性能评估（计算MSE、MAE等指标）。

评估的基线ML模型包括：

• 线性回归：最简单模型，提供性能下限参考；
• 支持向量回归（SVR）：处理高维非线性数据，但大规模数据训练慢；
• 随机森林：集成决策树，捕捉非线性交互，不易过拟合；
• 梯度提升树（如XGBoost）：串行集成，拟合残差，在结构化数据竞赛中表现优异。

评估的基线DL模型包括：

• 多层感知机（MLP）：基础神经网络，逼近连续函数，是复杂架构的起点；
• 循环神经网络（LSTM/GRU）：专为序列设计，门控机制缓解梯度消失，捕捉长期依赖；
• 1D-CNN：滑动窗口提取局部模式，训练快且易并行化。

金融预测评估需结合多指标：

• 回归指标（MSE、MAE）；
• 补充指标（方向准确率、收益率回测、夏普比率、混淆矩阵）。 结果解读需注意陷阱：过拟合、lookahead bias（未来信息泄露）、幸存者偏差（忽略退市股票）、交易成本（回测乐观）。

模型选择建议：

• 短期预测（1-5天）：LSTM等序列模型更优；
• 长期趋势：随机森林/XGBoost更稳健；
• 特征工程质量比模型选择更重要；
• 集成模型优于单一模型；
• 无模型能持续盈利。 局限性：数据集规模有限、未考虑外部因素、模型简单、缺乏实时验证。 未来方向：注意力机制模型、多任务学习、强化学习优化策略、融合另类数据。

本项目为金融时间序列预测提供扎实的基线比较基准。在追逐前沿模型前，评估经典方法是负责任的研究态度，这种“从简单到复杂”的探索有助于理解问题本质，避免过度工程化浪费资源。