3. 长序列预测问题定义
在金融时间序列建模中，“长序列预测”并不是简单地把输入窗口从 30 天拉长到 300 天。它意味着模型需要在更长的历史上下文中捕捉跨周期的依赖关系，同时还要面对信噪比下降、分布漂移和评价目标多元化的挑战。本节将围绕长序列与短序列的本质区别、长依赖建模的难点，以及金融场景下常用的评价指标展开，帮助你建立对 PatchTST 适用边界的清晰认知。
一、长序列预测与短序列预测的区别
短序列预测通常指输入窗口在几十个时间步以内，模型主要依赖局部模式，例如最近 5 日的动量、10 日均线与价格的偏离。此时 LSTM、TCN 甚至简单的线性回归都能取得可接受的效果。而长序列预测的输入窗口往往达到数百甚至上千个时间步，模型必须回答一个更困难的问题：哪些遥远的历史片段仍然对当前预测有信息增益？
两者的核心差异可以从四个维度理解：
- 信息密度：短序列中每个时间步都相对“新鲜”；长序列中大量时间步是噪声或冗余，有效信号稀疏。
- 依赖跨度：短序列关注日内到数日级别的局部依赖；长序列需要覆盖周、月、季度甚至跨年度的周期与 regime 切换。
- 模型容量与归纳偏置：短序列模型可以更依赖记忆；长序列模型必须学会选择性遗忘与稀疏注意力。
- 计算与显存：标准 Transformer 的注意力复杂度随序列长度平方增长，长序列直接推高训练成本。
下面这张图展示了短序列与长序列在输入窗口、依赖结构和建模重点上的对比关系。左侧短序列窗口只覆盖局部波动，右侧长序列窗口则跨越多个周期与 regime，模型需要从中定位真正有用的片段。
二、长依赖建模的难点
长依赖建模之所以困难，根本原因在于金融序列的低信噪比与非平稳性。具体来说，有四个典型难点：
- 有效感受野与噪声稀释：当窗口拉长，真正有预测力的片段占比下降，注意力容易被大量无关时间步稀释。
- 非平稳与分布漂移：市场 regime 会切换，历史中某些强相关关系在未来可能失效，模型容易学到伪相关。
- 注意力复杂度：标准自注意力为 O(L²)，L 达到 1000 时显存和计算量急剧上升。
- 过拟合风险：长窗口带来更多参数交互，若样本量不足，验证集表现会显著劣于训练集。
常见误区：很多初学者认为“输入越长，信息越多，效果一定越好”。实际上，在金融数据中，盲目拉长窗口常常导致验证集 MSE 先降后升，模型把噪声也当成信号学习。PatchTST 通过 patch 化与通道独立设计来缓解这一问题，但并不意味着窗口可以无限增大。
三、评价指标：从统计误差到交易绩效
长序列预测的评价不能只看 MSE。金融场景下，预测值最终要转化为交易信号，因此需要同时关注统计精度、方向准确性和风险调整后收益。下表列出了常用指标及其适用场景。
| 指标 | 含义 | 适用场景 | 注意事项 |
|---|---|---|---|
| MSE | 均方误差，对大误差敏感 | 回归精度基线 | 量纲受价格尺度影响，需标准化 |
| MAE | 平均绝对误差，鲁棒性更强 | 存在异常值时 | 与 MSE 结合看误差分布 |
| IC | 预测值与真实收益的相关系数 | 选股、因子有效性 | 关注 IC 均值与 ICIR |
| Rank IC | 截面秩相关 | 排序型策略 | 对异常值不敏感 |
| 夏普比率 | 单位风险的超额收益 | 策略绩效评估 | 需扣除交易成本 |
| 最大回撤 | 峰值到谷值的最大损失 | 风险控制 | 与夏普配合使用 |
在实际项目中，建议把指标分为两层：第一层是模型层，用 MSE、MAE、IC 判断预测质量；第二层是策略层，用夏普比率、最大回撤、换手率判断经济价值。两层指标不一致时，应以策略层为准，因为金融预测的最终目标是可执行的收益。
四、案例与复盘：窗口长度选择的实验
假设我们在某股票日频数据上训练 PatchTST，预测未来 5 日收益率。固定 patch 长度为 16、stride 为 8，逐步增大输入窗口，观察验证集指标变化。典型结果如下：
窗口长度 MSE MAE IC 夏普比率
60 0.0213 0.112 0.031 0.42
120 0.0198 0.108 0.045 0.61
240 0.0191 0.105 0.052 0.73
480 0.0195 0.107 0.048 0.66
960 0.0208 0.113 0.036 0.51
可以看到，窗口从 60 增加到 240 时，MSE 下降、IC 上升、夏普改善；但继续增加到 480 和 960 后，指标反而回落。这说明长序列并非越长越好，存在一个与数据频率、信噪比和模型容量匹配的最优区间。复盘时可以从三个方向排查：
- 数据层面：检查长窗口是否引入了不同 regime 的样本，导致分布不一致。
- 模型层面：确认 patch 长度与 stride 是否合理，过大的 patch 会丢失局部细节。
- 评价层面：不要只盯 MSE，若 IC 和夏普同步下降，说明模型学到的信号质量在变差。
实践建议：在长序列金融预测中，先用 120～240 步窗口建立基线，再以 60 步为步长向上搜索，同时监控 IC 与夏普比率。若 MSE 改善但夏普恶化，说明模型可能在拟合噪声，应优先选择策略层指标更优的配置。
理解长序列预测的问题定义，是后续使用 PatchTST 进行建模的前提。你需要同时掌握窗口、依赖、复杂度与评价指标之间的权衡关系，才能在真实金融数据中做出合理的技术选择。