HARN：面向事件驱动多时间周期预测的分层联想共振网络
针对金融时间序列在多时间尺度预测中重复计算不变表征的难题，研究者提出了分层联想共振网络（HARN）。该模型专为事件驱动的多周期预测设计，通过在不同时间层级维护持久化表征，仅在对应周期的K线数据生成完成后才触发该层更新，显著避免了冗余计算。其架构综合了因果多尺度时间编码、门控联想记忆、跨层级共振以及分层证据聚合机制。
推荐理由提出了一种事件驱动的多时间尺度预测架构，有效降低了时序表征更新中的冗余计算。
原标题：HARN: Hierarchical Associative Resonance Network for Event-Driven Multi-Timeframe Forecasting
阅读 arXiv 机器学习 原文 ↗