全球能源系统正处于一个关键时刻，面临着确保可持续经济发展和减轻人为气候变化深远影响的双重挑战[1,2]。这一迫切需求推动了从基于化石燃料的基础设施向以韧性、效率和环境管理为中心的范式的前所未有的转变[3,4]。在这一背景下，氢不仅作为一种替代燃料出现，还成为实现深度脱碳的关键能源载体。氢作为清洁能源载体和大规模储能介质的独特能力，使其成为解决可再生能源固有间歇性和地理限制问题的核心解决方案[5,6]。通过电解将多余的可再生电力转化为氢气，可以储存和运输能源，从而解决能源生产和需求之间的关键不匹配问题。这一能力对于电网稳定性至关重要，更重要的是，它代表了脱碳“难以减排”行业（如钢铁、水泥和化工原料）以及海运和航空等长途运输方式的最具技术可行性的途径。由于这些行业对能源密度要求高，直接电气化面临巨大挑战[7,8]。因此，发展强大的氢能经济日益被视为国家能源安全和全球气候行动的战略重点。
氢能经济的核心技术是燃料电池（FC）。燃料电池是一种电化学装置，通过高效、无声且无燃烧的过程将氢的化学能直接转化为电能、热能和纯水[9,10]。这种直接转化方式绕过了传统内燃机所面临的热效率问题，提供了显著更高的实际转化效率。燃料电池的环境效益非常出色；当使用来自可再生能源的“绿色”氢气作为能源时，整个能源循环在使用点的排放几乎为零[8,11]。在各种燃料电池技术中，质子交换膜燃料电池（Proton Exchange Membrane FC）因其适用于移动性和便携式电源应用而受到广泛关注。其特性包括低工作温度、快速响应和高功率密度，使其特别适合用于燃料电池电动汽车和关键备用电源系统[12,13]。
文献中通过严格的技术经济和生命周期评估[13],[14],[15]详细记录了集成氢燃料电池系统的战略价值和性能。研究表明，这些系统可以在最小化环境影响的同时实现高整体能源效率[16,17]。然而，尽管技术优势明显，燃料电池技术的广泛商业化仍面临诸多相互关联的障碍[18,19]。主要且持续的障碍是高昂的初始资本成本，尤其是对于质子交换膜燃料电池而言。这一成本主要由两个因素驱动：依赖昂贵的铂族金属（PGM）催化剂来促进反应缓慢的氧还原反应，以及组件制造过程的复杂性[20,21]。PGM的稀缺性和价格波动性带来了重大风险，促使全球范围内对低PGM和非PGM催化剂的替代品进行了大量研究[22]。绿色氢生产的技经可行性也是影响整个生态系统的重要因素[18,19]。除了氢作为清洁能源载体的作用外，水存储解决方案（如水力发电库和抽水蓄能）对于稳定电网和缓解风能和太阳能发电的间歇性和长期持续性挑战也至关重要[23]。
这种技术潜力与经济挑战的复杂相互作用直接体现在金融市场上。因此，公开交易的燃料电池公司的股价表现出内在且显著的波动性。它们的市值不仅受宏观经济条件的影响，还受特定领域发展的影响，包括催化剂效率的技术突破、新的战略合作伙伴关系、碳税或氢税抵免等监管框架的变化，以及全球加注基础设施的部署速度[8,24,25]。这种由工程经济学、投机投资者情绪和政策动态驱动的波动性，使得使用传统方法预测这些公司的股价变得异常困难。鉴于金融市场的复杂性、非线性和高噪声信号比，依赖线性假设的传统计量经济模型在市场动荡期间往往泛化能力差，预测准确性低[26],[27],[28],[29]。
随着数据驱动的深度学习（DL）模型的出现，这一范式发生了决定性的转变，这些模型能够自动学习复杂的非线性映射[30]。虽然多层感知器（MLP）是早期DL模型的代表，但其在处理输入时间序列时将其视为无序向量，从而忽略了重要的时间结构，这一根本缺陷促进了专门用于序列建模的架构的发展。长短期记忆网络（LSTM）是一种基于复杂循环神经网络（RNN）的模型，已成为处理序列数据的黄金标准[31,32]。LSTM通过输入门、遗忘门和输出门等机制选择性地记忆、遗忘或更新信息，有效解决了梯度消失问题，使其能够学习长期时间依赖性。深度LSTM架构通过堆叠多个LSTM层，进一步增强了模型学习时间特征层次表示的能力，较低层次捕捉短期模式，较高层次将其整合为更抽象的长期趋势[33]。此后，研究前沿不断发展出增强预测能力的新技术，包括结合非参数回归和LSTM的混合模型，用于预测包含突然变化或跳跃的复杂高频数据[34]，以及使用注意力机制等新型DL方法来应对特定领域挑战（如电价预测[35]。同时，也进行了全面的比较研究，严格评估LSTM的预测优势，并将其与利用自注意力机制模拟全局依赖性的新高效结构进行对比[36]。此外，还采用了基于强化学习的功能选择方法等前沿技术，以确定预测股市波动性的最佳宏观经济指标[37]。鉴于燃料电池行业波动性带来的重大且相互关联的挑战，使用强大的DL模型至关重要。
尽管在这些方法论上取得了显著进展，但文献中仍存在一个明显且关键的空白：缺乏系统性地应用、优化和基准测试这些先进DL模型的严谨比较研究，这些模型使用了燃料电池行业对财务敏感且波动性强的股价数据。鉴于氢能经济的高风险性质，迫切需要明确确定哪种先进架构能够提供最准确可靠的预测，以支持战略决策。因此，本研究旨在严格评估和比较人工智能（AI）模型的预测性能，特别是MLP、单层LSTM和深度LSTM架构，在领先公开交易燃料电池公司的高度复杂和非平稳股价时间序列上的表现。这项研究旨在通过细致的并行性能评估，直接解决现有文献中的空白，从而在燃料电池股价预测这一挑战性任务上取得以下主要贡献：
本研究的主要创新贡献是多方面的，直接解决了清洁能源领域金融预测文献中提出的问题。首先，进行了详尽的多维网格搜索，以确定竞争架构（包括MLP、LSTM和深度LSTM模型）的全球最优超参数组合。这一严格的过程确保每个模型都在其最佳性能状态下进行了评估[38,39]。其次，本研究首次在学术领域使用了燃料电池行业特有的高波动性财务数据集，为后续研究建立了新的、可靠的基准。此外，本研究首次对成熟的序列模型（LSTM和深度LSTM）与非序列MLP基线进行了全面的比较分析。该分析利用了燃料电池公司股价动态的独特和具有挑战性的背景。除了简单的点预测外，还通过实用的贝叶斯近似方法选择了最优的蒙特卡洛样本数量（N_MC），以量化预测不确定性[40,41]。本研究的主要目标是比较基于MLP和LSTM的架构在长达360天的燃料电池股价预测方面的表现，并通过基于Dropout的MC分析明确量化预测不确定性。该技术为单步和多步预测生成了统计上可靠的95%置信区间（CIs），提供了可靠性和风险的重要指示。最后，实证预测结果、趋势和模型稳定性发现都与全球氢能和燃料电池行业的更广泛技术经济现实相联系和解释[23],[42],[43],[44]。这种重要的背景化有助于弥合先进预测模型与现实清洁能源投资策略之间的差距，为市场参与者和政策制定者提供可操作的见解。
