TIM的博客

从文本接口到世界模型，LLM正逐步深入时间序列的核心战场。尽管面临噪声敏感、计算成本等难题，但其在可解释性、少样本学习和跨模态关联方面的潜力，可能重塑时序分析的未来范式。对于从业者而言，掌握“时序特征工程+LLM提示工程”的复合技能，将成为破解工业智能化痛点的关键。

如何将深度学习与领域知识相结合，提升模型的鲁棒性和可解释性。

在日内预测交易中，选择有效的特征因子是成功的关键。上述因子涵盖了技术指标、成交量、时间序列、市场情绪和宏观经济等多个维度，每个因子都有其独特的作用和适用场景。其核心思想是通过数据分析和统计建模，发现市场中的规律和模式，并以此为基础制定交易策略。本文将由浅入深地介绍量化交易的基本概念，并探讨在日内预测交易中可能有效的特征因子及其背后的逻辑。在日内交易中，选择有效的特征因子可以帮助我们更好地预测价格走势，从而制定盈利策略。日内交易是指在一个交易日内完成买入和卖出操作的交易方式。

因果卷积 +核心：确保了输出的时间点只依赖于输入序列中时间戳早于或等于该输出时间点的数据，核心模块能够扩大卷积层的感受野，从而更充分学习序列的全局信息。

DeepAR是一种基于递归神经网络（RNN）的时间序列预测模型，由亚马逊在2017年提出。它特别适用于处理多变量时间序列数据，并能够生成概率预测。DeepAR通过联合训练多个相关时间序列来提高预测性能，从而在实际应用中表现出色。DeepAR是一种强大的时间序列预测模型，特别适用于多变量时间序列数据。通过联合建模和生成概率预测，DeepAR能够在多种应用场景中提供高精度的预测结果。

核心：Transformers的时序性较差，且embedding忽略变量间物理关联，而D-Linear(Decomposition-Linear)，用于处理具有趋势和季节性模式的数据能够获得同样好的结果。核心：与Autoformer类似，在拆分趋势线和季节项的基础上，FEDformer使用傅里叶变换以及小波变换去加速attention模块。重点：Transformer + Patch（源于计算机视觉Vision Transformer）重点：Transformer + 趋势季节分解（基于频域）