AI投研应用系列之三：基于NARX动态神经网络的指数择时策略.pptxVIP

金融工程|深度研究报告证券研究报告

2025/09/12

AI投研应用系列之三：

基于NARX动态神经网络的指数择时策略

目录

1.时序神经网络概述

2.NARX神经网络模型

3.基于NARX模型的指数择时策略构建

4.宽基指数择时测试

5.总结与未来研究方向

请务必阅读正文之后的免责条款部分守正出奇宁静致远

1、时序神经网络概述

1.1时序神经网络的演进与主要模型

在金融时间序列预测领域，神经网络架构经历了从简单感知向复杂时序建模的重要演进。

早期循环神经网络（RNN）首次引入隐状态记忆机制，但存在梯度消失/爆炸问题，难以捕获

长期依赖。随后长短期记忆网络（LSTM）及其变体门控循环单元（GRU）通过门控设计较好地解

决了长期依赖问题，成为多年来的主流时序建模方案。近年来，时序卷积网络（TCN）依托因果

膨胀卷积结构实现了更高效的并行计算与长期依赖建模；而源于自然语言处理的Transformer模

型，也凭借自注意力机制在长序列预测中展现出显著潜力。

在此背景下，带外部输入的非线性自回归网络（NARX）以其独特的结构设计和良好的可解释

性，为多变量金融时间序列预测提供了一个直观而有力的工具。

守正出奇宁静致远

目录

1.时序神经网络概述

2.NARX神经网络模型

3.基于NARX模型的指数择时策略构建

4.宽基指数择时测试

5.总结与未来研究方向

守正出奇宁静致远

2、NARX神经网络模型

2.1NARX模型原理

NARX（NonlinearAuto-RegressiveModelswithExogenousInputs）即带外部输入变量的非

线性自回归神经网络，是一种专门为多变量时间序列预测设计的动态递归神经网络。

其核心思想直观且符合金融逻辑：未来的值不仅取决于自身过去的历史，还受到一系列外部驱动

因素的滞后影响。NARX模型将这一思想数学化，通过非线性函数来学习这种复杂的映射关系。其

表达式为：

yx

•yt为=输f入的y时t—间序1列,y，t即—外2部输,…入,变y量t—，可d以,由x多t—个指1标,x构t成—。2,…,xt—d

•x为输出的时间序列。

•y为输入变量的滞后阶数。

x

•d为输出变量的滞后阶数。

y

d

守正出奇宁静致远

2、NARX神经网络模型

2.2NARX模型结构

图表1：NARX模型结构

模型结构主要由四个层级构成：

•输入层：接收外部多维信号；

•时延层：通过延迟模块处理

外部输入和输出反馈信号，

生成具有特定滞后的历史数

据序列，以提供时序记忆；

•隐含层：用非线性