《Big Data and Cognitive Computing》：Uncertainty-First Forecasting of the South African Equity Market Using Deep Learning and Temporal Conformal Prediction
Phumudzo Lloyd Seabe,
Claude Rodrigue Bambe Moutsinga and
Maggie Aphane
编辑推荐：
股票收益预测受噪声大、非平稳性等挑战，现有深度学习模型多侧重点预测，缺乏可靠的不确定性量化。本研究提出一个不确定性优先的预测框架，集成变分模态分解（VMD）、门控循环单元（GRU）和时间保形预测（TCP），为南非富时/JSE全股指数构建了无需分布假设、具有有限样本覆盖保证的预测区间。结果显示，VMD提升了点预测精度，而TCP框架在多种置信水平下恢复了近乎名义的覆盖度，且区间宽度能动态适应波幅变化。该研究强调了在非平稳金融环境中，从收益水平预测转向校准不确定性估计是更稳定、更具经济意义的目标。
预测股票市场未来的涨跌，就像是在狂风巨浪中试图看清远方的灯塔。金融市场天生就充满噪声，信号微弱，且其内在结构会随时间剧烈变化（即“非平稳性”），这使得短期收益预测异常困难，尤其在新兴市场。尽管深度学习模型，如循环神经网络（RNN）、长短时记忆网络（LSTM）和门控循环单元（GRU），因其捕捉复杂非线性时序依赖的能力而被广泛应用于金融时间序列分析，但绝大多数研究仍聚焦于给出一个确定的“点预测”值。然而，在投资组合配置、风险管理和监管压力测试等实际金融决策中，了解未来可能结果的“范围”——即预测的不确定性——往往比一个孤立的预测点更为关键。模型如果只提供精确的点预测而无法可靠量化其不确定性，其实际价值将大打折扣。传统的不确定性建模方法（如ARCH/GARCH族模型）依赖于较强的参数分布假设，在新兴市场频繁发生结构性突变的环境中容易失效。与此同时，保形预测（Conformal Prediction）这类无需分布假设的框架虽然前景广阔，但在处理具有强烈时序依赖性的数据时面临挑战。此外，如何从混杂的原始信号中提取有效信息，也是提升预测性能的关键。变分模态分解（VMD）作为一种强大的信号处理技术，能够将非平稳信号分解为多个具有不同频率特性的本征模态函数，但将其与不确定性量化框架结合的研究尚不充分。针对这些研究空白，来自Phumudzo Lloyd Seabe, Claude Rodrigue Bambe Moutsinga 和 Maggie Aphane的研究团队，在《Big Data and Cognitive Computing》期刊上发表了一项研究，他们为南非股票市场开发了一个“不确定性优先”的预测框架，旨在同时解决可预测性和不确定性估计的难题。
本研究主要集成了三大关键技术方法：首先，使用变分模态分解（VMD） 对标准化后的富时/JSE全股指数日对数收益序列进行预处理，以分离出不同频率的潜在信号成分，提升模型的可学习性。其次，采用门控循环单元（GRU）神经网络 作为基础的点预测模型，对VMD分解后的多变量分量进行序列建模。最后，应用时间保形预测（TCP） 框架，以前向滚动的方式动态校准GRU模型的预测残差，从而为点预测值构建具有分布无关且有限样本覆盖保证的预测区间。研究所用数据为2010年1月5日至2026年1月5日的富时/JSE全股指数日收盘价，共3998个观测值，涵盖了包括欧债危机、COVID-19市场崩盘等多个市场剧烈波动的时期。
研究结果揭示了以下重要发现：
- •
基线模型的有限预测力：研究首先证实，将GRU等循环模型直接应用于原始收益序列时，其样本外解释力微乎其微，这与弱式有效市场假说一致。这表明单纯增加模型复杂度未必能提升对新兴市场收益的预测能力。
- •
VMD对点预测的增强作用：引入VMD进行信号分解，通过隔离不同频率的潜在成分，有效增强了表征学习能力，显著提升了点预测的精度。这表明预处理和频域分解对于在嘈杂的金融数据中提取有意义的模式至关重要。
- •
模型不确定性校准的不足与TCP的补救：研究指出，仅依靠模型内生的预测方差（如从深度学习模型中获得）不足以实现可靠的校准。而将模型置于滚动保形预测框架中后，该框架能够在多个置信水平下恢复接近名义值的覆盖度，同时允许预测区间的宽度根据市场波动状态动态调整。这证明了后处理校准方法在非平稳环境中的强大适应能力。
- •
稳健性验证：通过前向验证、压力机制评估和块置换阴性对照实验等一系列鲁棒性分析，研究证实所观察到的性能提升并非由时序信息泄露或数据对齐假象驱动，增强了研究结论的可信度。
- •
锐度与尾部风险保护的权衡：结果进一步突显了预测区间“锐度”（即区间宽度）与尾部风险保护之间的内在权衡，尤其是在极端市场事件期间。更窄的区间（高锐度）可能无法覆盖极端波动，而追求全覆盖则可能导致区间过宽、信息量降低。
研究结论与讨论强调了本研究的多重贡献。它首次将VMD、深度循环学习和时间保形预测相结合，应用于南非股票市场的收益预测。该框架明确采用“不确定性优先”的视角，证明了在非平稳金融环境中，从追求单一精确点预测转向提供经过校准的不确定性估计，是一个更稳定、对风险决策更具实际意义的目标。研究发现，VMD能稳定预测残差，从而提升了时间保形预测的可靠性。研究还区分了预测区间的边际覆盖与条件覆盖（即在特定市场状态下的覆盖），这对于理解模型在不同市场机制下的表现至关重要。尽管该框架在南非市场展现了潜力，但作者也指出了其局限性，例如模型在其他市场或更高频率数据上的泛化能力有待进一步检验，且框架的计算复杂度相对较高。总体而言，这项研究为推动金融机器学习向更透明、更稳健、更贴合决策需求的方向发展提供了有价值的范例和实证证据。
