本文研究在同源双视图(OHLCV 图与技术指标矩阵)下的次日涨跌预测与对抗鲁棒性,提出泄漏抵抗的时间块划分与基于最小变动阈值的 ex-post 标签稳定化(min_move)来刻画不同标签噪声区间,发现:适度的 min_move 可揭示可学习信号但过严会因样本量收缩而增大方差,fusion 的效果对噪声区间高度依赖——early fusion 在噪声高时会负迁移而 late fusion 在稳定区间提供主要的净性能与鲁棒收益;在像素级 l_infty 攻击下模型对视图敏感性强(indicator 视图尤脆弱),late fusion 在单视图受扰情况下能显著缓解但对联合攻击仍无力完全防御
| min_move (τ) | Aligned 样本数 | Train/Val/Test | Used (embargo 后) | Embargo Loss |
|---|---|---|---|---|
| 0.000 | 4842 | 3390/660/702 | 4752 | 1.86% |
| 0.002 | 3666 | 2580/480/516 | 3576 | 2.45% |
| 0.004 | 2696 | 1890/330/386 | 2606 | 3.34% |
| 0.006 | 1989 | 1380/240/279 | 1899 | 4.52% |
| 0.008 | 1471 | 1050/150/181 | 1381 | 6.12% |
| 0.010 | 1054 | 750/90/124 | 964 | 8.54% |
| 模型 | 输入 | 攻击目标 | MCC@0 | MCC@0.25/255 | MCC@1/255 | worst Δ |
|---|---|---|---|---|---|---|
| Lite-CNN | ohlcv | on ohlcv | 0.109 | 0.054 | -0.088 | -0.197 |
| Lite-CNN | indic | on indic | 0.079 | 0.024 | -0.186 | -0.265 |
| Lite-CNN-Cons (λ=1, late) | both | on indic (ch1) | 0.121 | 0.113 | 0.084 | -0.037 |
| ResNet18-P | indic | on indic | 0.082 | -0.999 | -1.000 | -1.082 |
元数据与概览
逐节深度解读
图表与图像深度解读(关键图表逐一分析)
图:示例视图(Figure on page 4)
描述:左侧为典型的 OHLCV 渲染(含交易量条),右侧为 upsample 后的 indic 矩阵可视化;该图说明两视图在视觉特征层面的差异——ohlcv 强调条形/趋势与区间信息,indic 为矩阵化的指标时序纹理,。解读:两者在空间结构与频谱特征上不同,这为后续“表示互补性或冲突”提供直观解释,且提示卷积核在不同通道可学到截然不同的滤波器响应。
图:MCC vs min-move(Figure 2,page 10)
描述:两幅子图分别展示 Lite-CNN 与 ResNet18-P 家族在不同 min_move τ 下的 MCC(均值 ± std)。
解读与趋势:总体呈现“非单调的数据—噪声权衡”:τ 从 0 → 0.006 时平均 MCC 明显上升(样本排除近零噪声标签后学得信号),在 τ≈0.008 峰值附近,而在更严格的 τ=0.010 时因样本量下降出现退化与方差增大;此外早期融合在低 τ(高标签噪声)时有负迁移,而后期融合在稳定 τ 下恢复或超过单视图性能。
局限性:图中大 std(尤其 ResNet 在严格 τ 下)说明样本规模减少导致的 seed-to-seed 训练不稳定性,暗示结论对样本量敏感并需谨慎外推。
图:后期融合在对抗攻击下的鲁棒曲线(Figure 3 page 11 与 Figure 4 page 12)
描述:三列分别展示“攻击 indicator 视图、攻击 ohlcv 视图、联合攻击双视图”下的 MCC(ε_adv) 曲线(FGSM 与 PGD);曲线对比了早期融合、后期融合(含不同 λ)与单视图基线。
关键观察:当仅扰动单一视图时,后期融合比早期融合下滑更缓慢,表明未被扰动的分支提供了部分保持性能的证据路径;但在联合攻击(两视图同时被扰动)下,即便后期融合亦会快速走向性能崩塌,说明视图冗余不能完全抵御协同最差情况。
数值摘要(表 3):例如在 τ=0.006 与 PGD 下,Lite-CNN-Cons (λ=1) 在被扰动 indic (ch1) 时 MCC@1/255=0.084(相对干净 mcc=0.121 表现稳健),而 ResNet18-P 对 indic 的扰动在 0.25/255 即接近 MCC 下界(MCC ≈ -1),显示不同骨干在视图敏感性上的巨大差异。
关键表格解析
估值/预测(方法学)分析
风险因素评估(报告中识别的主要风险)
批判性视角与方法学细微之处
结论性综合
附:关键图像索引(用于快速核查)
总结性一语:该研究以严谨的泄漏控制与多维诊断,系统揭示了同源金融影像中“何时融合有利、何时反而有害”以及“多视图在面对视图对齐攻击时的优势与局限”,同时对方法学(ex-post min_move、视图通道映射、PGD 设置)做了透明且可复现的陈述,为后续在表示设计与防御策略上提供了明确且可操作的研究路线图。
2602.11020.pdf