加载中...
本论文将生物启发的脉冲神经网络(SNN)应用于高频交易中的价格跳跃预测,提出以Penalised Spike Accuracy (PSA)为目标的贝叶斯超参优化流程以同时兼顾准确率与可操作的脉冲率,实验显示经PSA优化的STDP训练SNN在回测中显著优于传统Spike Accuracy优化和监督SNN基线,Extended SNN (Model 2, PSA) 在未缩放回测中取得76.8%累积收益且在缩放对比中表现最佳 .
| Model | Objective (SA) | SRD (SA) | Objective (PSA) | SRD (PSA) |
|---|---|---|---|---|
| Model 1 | 0.90 | -0.69 | 0.76 | -0.01 |
| Model 2 | 0.77 | -0.43 | 0.71 | 0.078 |
| Metric | Random | Model1-SA | Model1-PSA | Model2-SA | Model2-PSA | Model3 |
|---|---|---|---|---|---|---|
| Spike Acc. (%) | 59.85 | 73.85 | 62.67 | 67.13 | 65.11 | 69.35 |
| Momentum Spike (%) | 54.47 | 54.34 | 54.49 | 55.08 | 55.06 | 55.09 |
| TPR (%) | 50.00 | 12.96 | 67.33 | 12.51 | 48.62 | 36.88 |
| FPR (%) | 50.00 | 7.03 | 59.81 | 9.13 | 38.83 | 24.30 |
| Spiking Rate (%) | 50.00 | 10.58 | 64.31 | 11.15 | 44.69 | 31.83 |
元数据与概览
逐节深度解读
图表/图像与表格的深度解读(逐一)
估值与量化绩效分析(如适用)
风险因素评估(作者识别与额外注意点)
批判性视角与细微差别(方法学与陈述的审慎评估)
结论性综合(带溯源标注)
建议与后续工作(基于报告内提示与本文分析)
(结束语)总体而言,该论文在方法学上将生物启发的时序学习规则(STDP)与现代贝叶斯超参搜索和任务特定目标(PSA)结合,构成了一套系统化的 SNN→交易策略评估框架,并在受控回测内呈现出有说服力的收益改善证据;但若要把这些研究成果转化为可部署的 HFT 策略,需补充交易成本/延迟/长期稳健性与硬件落地等关键验证。相关结论与数值均来源并可在文中相应章节与表格处找到 。
2512.05868.pdf