基于 SARIMA-GARCH-TCN-Attention-XGBoost 的混合时间序列预测模型研究

摘要

针对金融及类金融时间序列中普遍存在的趋势性、季节性、波动聚集、非线性依赖与多源特征交互问题，本文基于项目 SARIMA_GARCH_TCN_Attention_XGBoost 的真实代码、配置文件、样本数据和实验输出，构建一种融合统计计量模型、深度学习模型与机器学习集成模型的混合预测框架。该框架首先利用 SARIMA 模型刻画目标序列的线性自相关与季节项结构，并生成预测值和残差；其次采用 GARCH 模型提取 SARIMA 残差中的条件异方差与波动聚集特征；再次通过 TCN-Attention 模型学习长时序依赖、局部动态模式与关键时间步权重；最后利用 XGBoost 对原始 OHLCV 特征、外生特征、技术指标、SARIMA 输出、GARCH 条件波动率、TCN-Attention 预测值及深度嵌入进行非线性集成，形成最终预测。实验基于项目内置日频 OHLCV 样本，按时间顺序划分训练集、验证集和测试集。结果表明，完整混合模型在测试集上取得 MAE=0.4991、RMSE=0.9671、MAPE=0.7138%、$R^2=0.8977$，相较 SARIMA 与 TCN-Attention 具有明显误差优势。消融实验显示，GARCH 条件波动率特征对完整融合框架具有一定边际贡献，但在当前样本规模下，简化 XGBoost 变体的 RMSE 略优于完整模型，说明复杂混合模型仍需结合样本规模、特征冗余和超参数优化进行稳健检验。本文研究为具有趋势、波动和非线性结构的时间序列预测提供了可复现的组合建模范式。

关键词：时间序列预测；SARIMA；GARCH；TCN；注意力机制；XGBoost；混合模型

1 引言

时间序列预测是金融资产定价、能源负荷调度、交通流量管理和宏观经济监测等领域的基础问题。与一般横截面回归不同，时间序列数据具有严格的时间顺序，且常同时呈现趋势变动、周期波动、短期冲击、波动聚集与非线性耦合等复杂特征。传统统计模型能够提供较强的结构解释能力，但通常依赖线性或弱非线性假设；深度学习模型能够学习复杂时序依赖，但在样本量有限或特征噪声较强时可能出现过拟合；机器学习集成模型具有较强的非线性拟合能力，但若缺少时间序列结构特征输入，其预测结果的经济含义和误差来源不易解释。

为兼顾可解释性、非线性表达能力和预测精度，本文围绕项目中已经实现的 SARIMA-GARCH-TCN-Attention-XGBoost 混合预测流程展开研究。该流程以 SARIMA 提取线性趋势和季节结构，以 GARCH 描述残差波动聚集，以 TCN-Attention 学习深层时序表征，以 XGBoost 完成多源特征融合和残差修正。与单一模型相比，该框架具有如下创新点：第一，将线性趋势建模与非线性残差学习相结合；第二，使用 SARIMA 捕捉季节性和线性自相关结构；第三，使用 GARCH 描述残差波动聚集与异方差特征；第四，使用 TCN 提取长时序依赖和局部时序模式；第五，使用 Attention 强化关键时间步权重分配；第六，使用 XGBoost 对深度模型残差或融合特征进行二次集成修正；第七，构建统计模型、深度学习模型与机器学习模型的多层融合预测框架，并通过对比实验和消融实验验证其有效性。

图1 总体研究技术路线图

图1给出了本文研究的总体技术路线。论文写作过程以项目真实实现为依据，既描述混合模型理论逻辑，也结合 outputs/results 中已有指标开展实证分析。

2 相关理论基础

2.1 时间序列预测问题定义

设时间序列观测值为 {yt}t=1T\{y_t\}_{t=1}^{T}{yt​}t=1T​，其中 $t$ 为时间索引。一般地，目标序列可表示为系统性部分与随机扰动项之和：

$$y_t=f(t)+{\epsilon }_t$$

其中，$f(t)$ 表示趋势、季节项、外生变量和可解释特征共同形成的确定性或弱随机结构，${\epsilon }_t$ 表示模型未能解释的随机扰动。对于金融类序列，${\epsilon }_t$ 常具有尖峰厚尾、波动聚集和条件异方差等特征，因此仅采用均值方程建模往往不足。

在深度学习和机器学习建模中，不同变量量纲差异可能影响参数优化。项目中 TCN-Attention 与 XGBoost 特征均采用训练集拟合的标准化变换：

$$x_t^{\prime }=\frac{x_t-\mu }{\sigma }$$

其中，$\mu$ 和 $\sigma$ 分别为训练集中变量 $x_t$ 的均值与标准差，$x_t^{\prime }$ 为标准化后的特征。仅使用训练集统计量进行标准化，有助于避免验证集和测试集信息泄露。

表1 符号说明表

符号	含义
$y_t$	第 $t$ 期目标变量
$x_t$	第 $t$ 期输入特征
$B$	滞后算子
$d,D$	非季节差分阶数与季节差分阶数
$p,q$	非季节 ARMA 阶数或 GARCH 阶数
$P,Q$	SARIMA 季节项阶数
$s$	季节周期
$e_t$	SARIMA 预测残差
${\sigma }_t^2$	GARCH 条件方差
${\hat{y}}_t$	模型预测值
$K$	TCN 卷积核大小
$d_l$	第 $l$ 层膨胀系数
$h$	多头注意力头数

2.2 SARIMA 模型

SARIMA 模型在 ARIMA 的基础上引入季节自回归、季节差分和季节移动平均结构，适合描述具有周期性和线性自相关特征的序列。差分算子定义为：

$${\nabla }^d{y}_t=(1-B{)}^d{y}_t$$

其中，$B$ 为滞后算子，满足 $B{y}_t=y_{t-1}$；$d$ 为非季节差分阶数。SARIMA 的一般形式为：

$${\Phi }_P(B^s){\varphi }_p(B)(1-B{)}^d(1-B^s{)}^D{y}_t={\Theta }_Q(B^s){\theta }_q(B){\epsilon }_t$$

其中，${\varphi }_p(B)$ 与 ${\theta }_q(B)$ 分别为非季节自回归和移动平均多项式，${\Phi }_P(B^s)$ 与 ${\Theta }_Q(B^s)$ 分别为季节自回归和季节移动平均多项式，$s$ 为季节周期。项目配置中 SARIMA 阶数为 order=[1,1,1]，季节阶数为 seasonal_order=[1,1,1,12]。

SARIMA 预测残差定义为：

$$e_t=y_t-{\hat{y}}_t^{SARIMA}$$

其中，${\hat{y}}_t^{SARIMA}$ 为 SARIMA 对目标变量的拟合或预测值。该残差既可用于诊断线性模型未解释部分，也可作为后续 GARCH 波动建模的输入。

2.3 GARCH 模型

GARCH 模型用于刻画残差序列的条件异方差特征。其基本形式为：

$$e_t={\sigma }_t{z}_t$$

$${\sigma }_t^2=\omega +\sum _{i=1}^q{\alpha }_i{e}_{t-i}^2+\sum _{j=1}^p{\beta }_j{\sigma }_{t-j}^2$$

其中，$z_t$ 为标准化扰动项，$\omega$ 为常数项，${\alpha }_i$ 表示历史冲击对当前波动的影响，${\beta }_j$ 表示历史条件方差的持续性。项目采用 GARCH(1,1)，默认以 sarima_residual 作为建模对象。GARCH 波动率修正项可记为：

$${\hat{v}}_t={\hat{\sigma }}_t^2$$

需要指出的是，当前项目实现中 GARCH 输出主要作为 garch_volatility 特征进入 XGBoost 融合层，而不是直接与 SARIMA 预测值线性相加。因此，主结果表中 SARIMA-GARCH 与 SARIMA 的预测指标相同，这一现象来自代码实现逻辑，并非结果缺失。

2.4 TCN 模型

Temporal Convolutional Network 通过因果卷积和膨胀卷积建模时序依赖。第 $l$ 层 TCN 的因果卷积可表示为：

$$h_t^{(l)}=\sum _{k=0}^{K-1}{w}_k^{(l)}{x}_{t-d_{l}k}^{(l-1)}$$

其中，$K$ 为卷积核大小，$d_l$ 为膨胀系数，$w_k^{(l)}$ 为卷积核参数。因果卷积只使用当前及历史时点信息，避免未来信息泄露。为缓解深层网络退化，项目中的 TCN 模块采用残差连接：

$$o_t=F(x_t)+x_t$$

其中，$F(\cdot )$ 表示卷积、激活函数与 Dropout 等非线性变换。当输入通道与输出通道不一致时，代码通过 $1\times 1$ 卷积实现维度匹配。

2.5 Attention 机制

Attention 机制通过动态权重分配识别历史窗口中的关键时间步。给定输入矩阵 $X$，查询、键和值向量定义为：

$$Q=X{W}_Q,K=X{W}_K,V=X{W}_V$$

缩放点积注意力为：

$$Attention(Q,K,V)=softmax\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)V$$

多头注意力将多个子空间中的注意力结果拼接后映射：

$$MultiHead(Q,K,V)=Concat(hea{d}_1,\dots ,hea{d}_h)W_O$$

其中，$hea{d}_i$ 为第 $i$ 个注意力头。项目配置采用 attention_type=self_attention 和 num_heads=4，通过 PyTorch MultiheadAttention 实现自注意力加权。

2.6 XGBoost 模型

XGBoost 是基于梯度提升树的集成学习模型，通过逐轮添加回归树拟合损失函数下降方向。第 $m$ 轮目标函数为：

$${\mathcal{L}}^{(m)}=\sum _{i=1}^{n}l(y_i,{\hat{y}}_i^{(m-1)}+f_m(x_i))+\Omega (f_m)$$

其中，$f_m(x_i)$ 表示第 $m$ 棵树的输出，$\Omega (f_m)$ 为复杂度惩罚项：

$$\Omega (f)=\gamma T+\frac{1}{2}\lambda \sum _{j=1}^T{w}_j^2$$

其中，$T$ 为叶节点数量，$w_j$ 为第 $j$ 个叶节点权重。项目中 XGBoost 采用 reg:squarederror 目标函数，默认树数量为 500，最大深度为 5，学习率为 0.03。

3 混合预测模型构建

3.1 总体模型框架

本文混合模型将统计计量层、深度特征层和机器学习集成层连接起来。其显式加权形式可表示为：

$${\hat{y}}_t={\lambda }_1{\hat{y}}_t^{SARIMA}+{\lambda }_2{\hat{y}}_t^{GARCH}+{\lambda }_3{\hat{y}}_t^{TCN-Attention}+{\lambda }_4{\hat{y}}_t^{XGBoost}$$

但根据项目真实代码，最终预测更接近残差修正与非线性特征融合形式：

$${\hat{y}}_t={\hat{y}}_t^{SARIMA}+{\hat{r}}_t^{GARCH}+{\hat{r}}_t^{TCN-Attention}+{\hat{r}}_t^{XGBoost}$$

进一步可写为：

$${\hat{y}}_t=F_{XGB}\left(X_t,{\hat{y}}_t^{SARIMA},e_t,{\hat{\sigma }}_t,{\hat{y}}_t^{TCN-Attention},H_t^{TCN}\right)$$

其中，$X_t$ 为原始特征、技术指标和人工构造特征，$H_t^{TCN}$ 为 TCN-Attention 输出的上下文嵌入向量。

图2 SARIMA-GARCH-TCN-Attention-XGBoost 总体模型结构图

图2表明，本文模型并非简单串联，而是将不同模块输出统一转化为可学习特征，由 XGBoost 完成最终非线性融合。

表2 数据集变量说明表

变量	类型	项目来源	说明
date	时间变量	data/input.csv	日频时间索引
target	连续变量	data/input.csv	预测目标，与 close 相同
open	连续变量	data/input.csv	开盘价类特征
high	连续变量	data/input.csv	最高价类特征
low	连续变量	data/input.csv	最低价类特征
close	连续变量	data/input.csv	收盘价类特征
volume	连续变量	data/input.csv	成交量类特征
macro_feature	连续变量	data/input.csv	外生宏观类特征
target_lag_*	构造变量	utils/feature_engineering.py	目标变量滞后项
rolling_*	构造变量	utils/feature_engineering.py	滚动均值、标准差和极值
MA、EMA、MACD、RSI	构造变量	utils/feature_engineering.py	技术指标
sarima_pred	模型变量	experiments/run_full_pipeline.py	SARIMA 拟合及预测值
sarima_residual	模型变量	experiments/run_full_pipeline.py	SARIMA 残差
garch_volatility	模型变量	experiments/run_full_pipeline.py	GARCH 条件波动率
tcn_attention_pred	模型变量	models/tcn_attention.py	TCN-Attention 预测值
tcn_emb_*	模型变量	models/tcn_attention.py	TCN-Attention 深度嵌入

3.2 数据预处理

项目默认读取 data/input.csv。数据加载阶段首先识别 date 与 target 字段，随后对日期进行解析、排序和去重，对数值列进行前向与后向填充，并使用 IQR 方法裁剪异常值。特征工程阶段构造目标滞后项、滚动统计量、收益率、对数收益率、日期特征以及 OHLCV 技术指标。由于滚动窗口和技术指标需要历史观测，原始 260 条样本经特征工程后保留 240 条有效样本。

图3 数据预处理流程图

图3展示了项目真实数据处理流程。该流程中的滞后和滚动特征均基于历史观测构造，符合时间序列预测的因果约束。

3.3 SARIMA 线性趋势提取

SARIMA 模块位于 models/sarima_model.py，通过 statsmodels.tsa.statespace.SARIMAX 实现。模型在训练集目标序列上拟合，并对验证集和测试集进行预测。输出字段包括 sarima_pred 与 sarima_residual。若模型拟合失败，代码以朴素预测作为兜底，保证实验流程稳定。

图4 SARIMA-GARCH 建模流程图

图4说明 SARIMA 提供线性趋势提取和残差构造功能，是后续 GARCH 与集成层的重要输入来源。

3.4 GARCH 波动特征建模

GARCH 模块位于 models/garch_model.py。项目默认使用 SARIMA 残差作为输入，配置为 GARCH(1,1)，均值项为 Constant，波动项为 GARCH，误差分布为 normal。模型输出 garch_volatility，并在最终 XGBoost 融合中作为风险波动特征使用。当 GARCH 拟合失败时，程序以滚动标准差作为替代波动率输出。

3.5 TCN-Attention 非线性特征学习

TCN-Attention 模块位于 models/tcn_attention.py。模型输入为除 date 和 target 外的数值特征，采用长度为 30 的滑动窗口。TCN 隐藏通道为 [32,64,64]，卷积核大小为 3，Dropout 为 0.2。Attention 层使用 4 头自注意力，输出预测值、注意力权重和 64 维上下文嵌入。

图5 TCN-Attention 特征提取流程图

图5显示 TCN-Attention 既产生直接预测值，也产生深度嵌入特征。后者被拼接进 XGBoost 特征集合，用于增强非线性表达能力。

3.6 XGBoost 残差修正

XGBoost 集成模块位于 models/xgboost_ensemble.py。该模块将原始数值特征、技术指标、SARIMA 输出、GARCH 条件波动率、TCN-Attention 预测和嵌入进行拼接，并训练 XGBRegressor 输出 xgboost_final_pred。项目日志显示，最终 XGBoost 使用 104 个特征。

图6 XGBoost 残差集成预测流程图

图6表明，XGBoost 在本文框架中承担残差修正和非线性特征融合功能。

3.7 模型训练与预测流程

完整流程由 experiments/run_full_pipeline.py 实现。训练过程中使用时间顺序划分，避免随机打乱造成未来信息泄露。TCN-Attention 采用均方误差损失函数：

$${\mathcal{L}}_{MSE}=\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2$$

图7 模型训练与预测流程图

图7概括了项目的端到端训练与预测流程。本文直接读取已有输出结果进行分析，没有重新训练大型模型，也没有编造实验数值。

4 实验设计

4.1 实验环境

项目基于 Python 实现，主要依赖包括 numpy、pandas、matplotlib、scikit-learn、statsmodels、arch、xgboost、torch、pyyaml、tqdm、optuna 和 seaborn。根据 outputs/logs/full_pipeline.log，完整流程在 CPU 上完成 TCN-Attention 训练，并成功生成预测结果、评价指标、消融实验结果和模型检查点。

4.2 数据集说明

原始数据文件为 data/input.csv，包含 260 条日频样本，日期范围为 2020-01-01 至 2020-09-16。经特征工程删除初始空值后，有效样本为 240 条，日期范围为 2020-01-21 至 2020-09-16。有效样本中目标变量最小值为 47.7892，最大值为 73.7052，均值为 59.6364。样本按时间顺序划分为训练集 168 条、验证集 36 条和测试集 36 条。

4.3 参数设置

表3 模型参数设置表

模块	参数	当前取值
数据划分	train_ratio	0.70
数据划分	val_ratio	0.15
数据划分	test_ratio	0.15
异常值处理	outlier_method	IQR
SARIMA	order	(1,1,1)
SARIMA	seasonal_order	(1,1,1,12)
SARIMA	maxiter	200
GARCH	p, q	1, 1
GARCH	mean, vol, dist	Constant, GARCH, normal
TCN-Attention	sequence_length	30
TCN-Attention	hidden_channels	[32,64,64]
TCN-Attention	kernel_size	3
TCN-Attention	dropout	0.2
TCN-Attention	num_heads	4
TCN-Attention	epochs	100
TCN-Attention	early_stopping_patience	15
XGBoost	n_estimators	500
XGBoost	learning_rate	0.03
XGBoost	max_depth	5
XGBoost	subsample	0.8
XGBoost	colsample_bytree	0.8

4.4 对比模型

表4 对比模型说明表

模型	项目实现方式	对比目的
SARIMA	models/sarima_model.py	检验线性季节统计模型基线
SARIMA-GARCH	SARIMA 输出与 GARCH 波动特征分析	检验波动特征的辅助作用
TCN	当前代码中与 TCN-Attention 使用同一预测输出	检验深度时序模型表现
TCN-Attention	TCN 编码后接自注意力层	检验注意力加权预测能力
XGBoost	主流程最终集成输出，消融中另有简化变体	检验树模型非线性融合能力
SARIMA-GARCH-TCN-Attention-XGBoost	全特征融合模型	检验混合框架整体预测效果

4.5 评价指标

本文采用 MAE、RMSE、MAPE、$R^2$ 等指标评价模型。MAE 定义为：

$$MAE=\frac{1}{n}\sum _{i=1}^n|y_i-{\hat{y}}_i|$$

RMSE 定义为：

$$RMSE=\sqrt{\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2}$$

MAPE 定义为：

$$MAPE=\frac{100\%}{n}\sum _{i=1}^n\left|\frac{y_i-{\hat{y}}_i}{y_i}\right|$$

$R^2$ 定义为：

$$R^2=1-\frac{{\sum }_{i=1}^n(y_i-{\hat{y}}_i{)}^2}{{\sum }_{i=1}^n(y_i-\bar{y}{)}^2}$$

表5 评价指标说明表

指标	含义	判断标准
MAE	平均绝对误差	越小越好
MSE	均方误差	越小越好
RMSE	均方根误差	越小越好
MAPE	平均绝对百分比误差	越小越好
SMAPE	对称平均绝对百分比误差	越小越好
$R^2$	拟合优度	越大越好
Directional Accuracy	相邻变化方向判断准确率	越大越好

5 实验结果与分析

5.1 预测结果对比

表6 实验结果对比表

模型	MAE	RMSE	MAPE(%)	$R^2$	Directional Accuracy
SARIMA	2.5477	3.0873	3.8881	-0.0421	0.5143
SARIMA-GARCH	2.5477	3.0873	3.8881	-0.0421	0.5143
TCN	1.5835	1.9326	2.3818	0.5916	0.6000
TCN-Attention	1.5835	1.9326	2.3818	0.5916	0.6000
XGBoost	0.4991	0.9671	0.7138	0.8977	0.9143
SARIMA-GARCH-TCN-Attention-XGBoost	0.4991	0.9671	0.7138	0.8977	0.9143

表6结果来自 outputs/results/metrics.csv。完整混合模型相较 SARIMA 的 RMSE 降低约 68.68%，相较 TCN-Attention 的 RMSE 降低约 49.96%；MAE 相较 SARIMA 降低约 80.41%，相较 TCN-Attention 降低约 68.48%。这表明单一线性统计模型难以充分拟合该样本后段的非线性波动，而深度时序特征和树模型融合显著改善预测精度。

5.2 误差指标分析

SARIMA 的 $R^2$ 为 -0.0421，说明其测试集解释能力不足；TCN-Attention 的 $R^2$ 提升至 0.5916，反映深度模型能够捕捉部分非线性结构；完整混合模型的 $R^2$ 达到 0.8977，显示多源特征集成对于测试集目标波动具有较强解释能力。方向准确率方面，完整模型达到 0.9143，明显高于 SARIMA 的 0.5143 和 TCN-Attention 的 0.6000。

图8 误差分解与性能评价流程图

图8说明本文从平均误差、大误差敏感性、相对误差和方向预测能力四个角度评价模型，而非仅罗列单一指标。

5.3 消融实验

消融实验由 experiments/ablation_study.py 实现。该脚本在同一数据划分下构造不同特征剔除方案，并重新训练 XGBoost 变体，以识别 SARIMA、GARCH、TCN-Attention 等模块对最终预测的边际影响。

图9 消融实验设计流程图

表7 消融实验表

模型	MAE	RMSE	MAPE(%)	$R^2$	Directional Accuracy
SARIMA	2.5477	3.0873	3.8881	-0.0421	0.5143
SARIMA-GARCH	2.5477	3.0873	3.8881	-0.0421	0.5143
TCN	1.5835	1.9326	2.3818	0.5916	0.6000
TCN-Attention	1.5835	1.9326	2.3818	0.5916	0.6000
XGBoost	0.4937	0.9661	0.7057	0.8980	0.9143
SARIMA-TCN-Attention-XGBoost	0.4994	0.9726	0.7146	0.8966	0.9429
SARIMA-GARCH-TCN-Attention-XGBoost	0.4991	0.9671	0.7138	0.8977	0.9143

表7显示，完整模型相较移除 GARCH 的 SARIMA-TCN-Attention-XGBoost 变体，RMSE 降低 0.0055，说明 GARCH 条件波动率特征具有一定增益。然而，消融脚本中的简化 XGBoost 变体 RMSE 为 0.9661，略低于完整模型的 0.9671，表明在当前样本量和特征结构下，原始价格类特征已经具有较强解释能力，额外统计和深度特征可能带来轻微冗余。

5.4 稳健性分析

项目通过固定随机种子、时间顺序划分、训练集标准化和模块兜底机制增强实验稳健性。outputs/logs/full_pipeline.log 显示完整流程两次运行均成功完成，样本划分保持为训练集 168 条、验证集 36 条、测试集 36 条。

表8 稳健性分析表

稳健性维度	项目实现	当前结论	后续建议
时间顺序划分	按 70%、15%、15% 切分	降低未来信息泄露风险	增加滚动窗口回测
随机性控制	seed=42	结果具备可复现基础	多随机种子重复实验
异常值处理	IQR 裁剪	降低极端值干扰	比较不裁剪与 z-score 方案
标准化策略	仅用训练集拟合 scaler	减少标准化泄露	扩展尺度敏感性分析
模型兜底	SARIMA、GARCH 失败时使用替代输出	提高流程稳定性	正式投稿时补充收敛诊断
消融检验	移除 GARCH 和高层特征	识别模块边际贡献	扩展多数据集检验

图10 稳健性分析流程图

图10展示了本文稳健性分析的主要依据。由于当前项目仅包含一个样本文件，正式投稿前仍需补充更多数据集和滚动回测。

5.5 模型复杂度分析

表9 模型复杂度对比表

模型	主要复杂度来源	当前项目规模	复杂度特征
SARIMA	差分阶数、季节阶数、迭代次数	(1,1,1)(1,1,1,12)	可解释性强，非线性能力弱
GARCH	条件方差阶数与分布假设	GARCH(1,1)	适合波动聚集建模
TCN	窗口长度、通道数、卷积核	30 窗口、3 层通道	能并行学习长依赖
Attention	注意力头数、隐藏维度	4 头自注意力	强化关键时间步但增加参数
XGBoost	树数量、深度、特征维度	500 棵树、104 特征	非线性融合能力强
完整混合模型	多阶段训练与特征拼接	统计层、深度层、集成层	精度较高但调参成本较大

项目保存的 XGBoost 特征重要性表明，close、high、open 和 low 四个 OHLC 特征累计重要性约为 0.9706，TCN 嵌入特征累计重要性约为 0.0264，garch_volatility 的重要性约为 0.0010。这说明当前样本中价格状态变量仍是主导预测信息，深度嵌入和波动特征主要提供辅助增益。

5.6 结果讨论

图11 模型预测结果分析逻辑图

图11说明，完整混合模型相较 SARIMA 和 TCN-Attention 有明显优势，但未在当前消融实验中显著超过简化 XGBoost 变体。因此，本文结论强调混合框架的有效性和可解释性，同时保留对小样本复杂模型的审慎判断。

表10 模型优缺点分析表

模型	优点	局限
SARIMA	可解释性强，适合线性和季节结构	对非线性和结构突变敏感
GARCH	能刻画波动聚集和条件异方差	主要解释波动而非均值预测
TCN	并行训练效率较高，可学习长依赖	小样本下可能过拟合
Attention	能突出关键时间步	参数增加，解释需结合权重分析
XGBoost	非线性融合能力强，对特征交互敏感	对时序结构依赖人工特征输入
完整混合模型	统计、深度与集成模型互补	模型链条长，调参和解释成本较高

6 结论与展望

本文基于 SARIMA_GARCH_TCN_Attention_XGBoost 项目的真实代码和实验结果，构建并分析了 SARIMA-GARCH-TCN-Attention-XGBoost 混合时间序列预测模型。研究表明，SARIMA 能够提供线性趋势和季节结构刻画，GARCH 能够提取残差条件波动信息，TCN-Attention 能够学习非线性时序依赖，XGBoost 能够在多源特征空间中完成非线性融合。测试集结果显示，完整混合模型达到 MAE=0.4991、RMSE=0.9671、MAPE=0.7138%、$R^2=0.8977$，相较 SARIMA 与 TCN-Attention 显著降低预测误差。

与此同时，消融实验也表明，在当前 240 条有效样本和现有参数设定下，完整混合模型相较简化 XGBoost 变体并未取得显著优势，说明复杂模型可能受到样本规模、特征冗余和超参数设置影响。未来研究可从五个方向展开：第一，扩展更长时间跨度和更多市场或业务场景数据；第二，引入滚动窗口回测和多随机种子实验；第三，对 SARIMA 阶数、GARCH 分布假设、TCN 通道结构和 XGBoost 参数进行系统优化；第四，结合 SHAP 值、注意力权重和残差诊断提升解释能力；第五，引入 Diebold-Mariano 检验等统计显著性检验，提高模型比较的严谨性。

如需要源码，请联系作者，在评论区下留言，制作不易，请各位看官老爷点个赞和收藏