从响尾蛇到咆哮：MambaStock 在标普 500 上的优化器对决.pdfVIP

从响尾蛇到咆哮：MambaStock在标普500上的优化

器对决

MariaGarmoninaAlenaChan

DepartmentofAppliedMathematicsDepartmentofComputerScience

ColumbiaUniversityColumbiaUniversity

NewYork,USANewYork,USA

mkg2169@ac5477@

本Abstract

译

中我们评估了几种优化器在使用MambaStock模型预测SP500指数回报的

任务上的性能。在最广泛使用的算法中，梯度平滑和自适应速率优化器（例

1如Adam和RMSProp）产生的测试误差最低。相比之下，Lion优化器提供了

v

7显著更快的训练速度。为了结合这些优势，我们引入了一个新型优化器家族

0Roaree，它可以减少使用Lion时常见的振荡损失行为，同时保持其训练速

7

4度。源代码可以在/maria-garmonina/snakes-on-trading-floor

0找到。

.

8

0

51介绍

2

:

v对状态空间模型的兴趣作为简单统计方法和资源密集型变换器的有力竞争对手而激增。最近

i

x引入的Mamba架构在长时间序列上表现出色[2]，使其特别适合处理金融数据。在这项工作

r

a中，我们研究了受Mamba启发的选择性状态空间模型用于预测金融时间序列的应用。具体

而言，我们专注于使用MambaStock模型预测SP500指数的未来回报[3]。我们的主要贡

献是对几种广泛采用的优化算法进行了全面评估，并引入了一种专为此任务设计的新一代优

化器——旨在提高在顺序金融数据上的预测准确性和训练效率。

1.1问题陈述

我们探讨了优化器的选择如何影响MambaStock模型的训练速度和预测准确性。训练任何机

器学习模型都是一个优化问题，存在多种算法来逼近最优参数。我们考察了预测误差、收敛

速率以及整体训练时间之间的权衡——每个指标对于实际交易应用都至关重要。

1.2目标和范围

本文有两个目标：

1.比较MambaStock模型在一系列优化器下的性能。

2.利用速度与均方误差之间的权衡来设计和验证一个新的优化器家族。

arXivPreprint.Thisversion:July2025

2文献回顾

2.1相关工作

传统的时序模型如ARIMA假设过去和未来值之间的线性关系，通常无法捕捉到突然的市场

冲击，导致价格预测不准确。混合LSTM-CNN架构提高了对市场变化的敏感度[6]，但它们

的计算需求可能过高。同样，卡尔曼滤波器提供了可解释的价格趋势过滤功能，但仍受限于

线性假设。

最近，状态空间模型（SSMs）因其能够高效处理非常长的序列而受到关注。与需要注

意力操作且难以处理长时间历史推理（在