HANET：基于层次化混合频率注意力模型的宏观感知时间序列预测

本篇研报聚焦于宏观经济信息与深度学习时序预测模型的融合，提出层次化交叉注意力网络HANET，旨在使模型在低频宏观历史中检索相似体制，并在高频数据上执行交易决策。

研究背景与动机：金融深度学习受限于小样本、非平稳与结构性突变，而宏观数据为月度低频，交易决策依赖日度高频信号。HANET借鉴少样本检索式注意力，设计层次化机制，将月度体制检索结果投射回日度网格，实现条件化预测。

核心观点与关键数据：

• 结构化的宏观交叉注意力显著优于简单的特征拼接：HANET引入层次化交叉注意力机制，动量任务夏普比率提升至1.99，套利任务提升至0.91。
• 注意力权重提供可解释的"体制记忆"机制：模型呈现"稀疏定位型"与"密集背景型"分化，前者锁定沃尔克紧缩、2008年危机等结构性节点，后者提供弥散的周期性背景。
• 极端事件中的跨周期类比能力：COVID冲击期间模型上调2008年危机权重，2022年通胀飙升期间则转而激活1980年代初高通胀记忆，显示出与历史相似宏观环境相匹配的能力。

研究结论：

• HANET通过宏观条件化注意力提高了稳健性和性能，特别是在标准神经预测器经常失败的动荡时期。
• 宏观注意力机制提供了对模型行为的可解释视角，揭示了哪些历史体制和宏观特征与每次预测最密切相关，并将宏观条件与投资组合结果联系起来。
• HANET在时间序列动量和套利任务中均优于经典信号和神经基线，展现出更高的风险调整后收益和更小的回撤。

未来方向：

• 扩展到更丰富的宏观表示和多国宏观面板。
• 推广到其他混合频率（如周度-日度、日内-日度）。
• 在替代评估协议下进行压力测试。
• 与端到端投资组合学习器整合。