[Oxford 研究] 谁才是金融预测之王？深度学习架构 Sharpe Ratio 大规模基准测试

TL;DR

牛津大学研究团队近期发布了一项重量级基准测试，在跨越 15 年（2010-2025）的商品、股市、债券和外汇数据上，对线性模型、Transformer、状态空间模型 (SSM) 和改进型 LSTM 进行了深度“体检”。结论一针见血：在金融这种极低信噪比的战场，架构的“归纳偏置 (Inductive Bias)”决定生死。 结果表明，结合了特征选择与自适应递归逻辑的 VLSTM (VSN + LSTM) 和 xLSTM 彻底碾压了当前风头正劲的纯 Transformer 及 SSM 架构。

1. 背景定位：金融数据的“泥淖”

不同于电力负荷或气温预测具有明显的周期性，金融收益率序列充满重尾特征及非平稳过程。iTransformer 或 DLinear 等在通用任务上的明星模型，一旦进入金融领域往往会因为过度拟合噪声或缺乏时序归纳偏置而“翻车”。本项研究的核心目标是：谁能在直接优化夏普比率（Sharpe Ratio）的端到端管线中，产出最稳健的交易信号？

图 1：端到端投资组合优化管线，直接将模型输出映射为仓位并优化 Sharpe Ratio

2. 核心洞察：为何“递归”胜过“注意力”？

文章通过严谨的实验分析指出，金融预测的核心不在于模型容量（Capacity），而在于去噪能力（Denoising）。

• Attention 的短板：Transformer 架构倾向于捕捉全局关系，在金融场景下极易过拟合异常值，且缺乏对时间顺序的显式建模偏置。
• 递归的优势：LSTM 特别是新型的 xLSTM (Extended LSTM)，通过指数门控（Exponential Gating）和记忆矩阵（Matrix Memory），能够更有效地在保持长期历史的同时，对突发市场机制切换做出平滑反应。
• 变量选择（VSN）：混合架构成功的关键在于 VSN 模块。它像是一个“过滤器”，在数据进入复杂网络前，动态地抑制掉那些无意义的宏观或技术指标。

3. 架构解析：从 VLSTM 到 xLSTM

研究对比了多种进阶架构，其中最引人瞩目的是：

• VLSTM (VSN+LSTM)：作为本文的“性能冠军”，它证明了变量选择与精简的时间状态表示是低信噪比环境下的最优解。
• xLSTM/VxLSTM：引入了指数级门控逻辑，相比传统 LSTM，它能更好地保留罕见但具有经济意义的信号，在抗交易成本方面表现尤为突出。
• PatchTST：虽然在长程预测中表现尚可，但在结合 LSTM 作为去噪器（LPatchTST）后，性能才有了质的飞跃。

表 5：各模型复杂度对比。可以看出，VLSTM 在保证线性内存复杂度的同时，实现了最优收益。

4. 战绩速递：夏普比率的绝对领先

实验结果极其震撼地揭示了非线性递归模型的统治力：

• Sharpe 表现：VLSTM 跑出了 2.40 的 Sharpe Ratio，而传统的 AR1x 仅为 0.83，Transformer 系的 iTransformer 甚至只有 0.35。
• 抗风险能力：在 2020-2022 年的高波动期，递归混合模型（TFT, LPatchTST）表现出极强的健壮性，而线性模型则经历了剧烈的表现抖动。
• 执行效率：xLSTM 在“保本交易成本 (Breakeven Cost)”上胜出，这意味着在考虑真实佣金和滑点时，xLSTM 提供的交易信号最具韧性（Turnover 更低且质量更高）。

图 2：主流模型 10% 波动率基准下的累计 PnL 轨迹，VLSTM 与 LPatchTST 呈现出异常平滑的上攻曲线。

5. 专家视角：未来量化研究的启示

这篇 Benchmarking 的价值不仅在于刷榜，更在于纠正了当前偏向“暴力大模型”的盲目倾向：

1. Inductive Bias 优先级 > Model Scaling：在金融领域，模型越大不见得越好，带有特定物理直觉（如记忆门控、特征过滤）的小型深度架构反而更稳。
2. 多维度风险评估：除了 Sharpe，Calmar 和最大回撤在模型选择中应占据更高权重。VxLSTM 告诉我们，有时牺牲一点点收益来换取极端情况下的保护是绝对合算的。
3. 交易成本是试金石：任何不看 Turnover 的金融模型都是耍流氓。xLSTM 的成功提示我们，未来的研究应更多关注信号的“信噪比效率”。

总结

牛津大学的这项研究为深度学习在金融预测中的应用树立了新标杆。它告诉我们，回归递归神经网络的本质，并辅以现代化的门控与特征管理手段，才是征服华尔街的密码。未来，混合架构（Hybrid Architectures） 无论是结合 Patching 技术还是改进版 SSM，都将是量化交易系统的核心关注点。