本文提出了一种名为WavelST-Trans的金融时间序列异常检测与风险预警模型。该研究由Tian Su、Runlong Li、Bo Liu、Xiaoxiang Liang、Xinhao Yang和Yan Zhou共同完成，其中Tian Su和Runlong Li为共同第一作者。Tian Su目前任职于Meta Platforms Inc.，Runlong Li来自加州大学尔湾分校电气工程与计算机科学系，Bo Liu来自东北大学硅谷校区计算机科学学院，Xiaoxiang Liang来自圣路易斯华盛顿大学商业分析专业，Xinhao Yang来自南加州大学计算机科学系，Yan Zhou来自东北大学圣何塞校区数学系。该论文于2025年4月8日投稿，2025年5月15日被接收，并于2025年5月21日发表在《ICCK Transactions on Emerging Topics in Artificial Intelligence》期刊第2卷第2期上。

从学术背景来看，该研究属于金融科技与人工智能交叉领域，具体聚焦于金融时间序列的异常检测和风险管理。金融市场的异常波动往往预示着重大风险或市场操纵行为，因此高效的异常检测方法对风险管理至关重要。然而，传统的统计方法如差分整合移动平均自回归模型（ARIMA）和广义自回归条件异方差模型（GARCH）难以适应金融数据的非线性与多尺度特性，而单一的深度学习模型如长短期记忆网络（LSTM）和Transformer在同时捕捉长期趋势与短期波动方面存在局限。针对这些问题，该研究旨在提出一种融合小波变换（Wavelet Transform, WT）、LSTM和Transformer的混合模型，以提升金融时间序列异常检测的准确性和鲁棒性。

在研究流程方面，该研究主要包含模型构建、数据预处理、实验设计与结果分析四个阶段。在模型构建阶段，研究者提出了WavelST-Trans模型的整体架构。该模型首先利用小波变换对金融时间序列进行多尺度分解，将原始数据分解为低频成分和高频成分。低频成分代表长期趋势，被输入到LSTM网络中以学习长期依赖关系；高频成分代表短期波动，被输入到Transformer模块中，利用自注意力机制提取局部突变特征。随后，LSTM和Transformer的输出在特征融合层进行拼接，并通过全连接层生成统一表示，最终通过预设阈值计算异常分数以识别异常时间步。模型选择Daubechies（db4）小波作为母小波，并采用离散小波变换（Discrete Wavelet Transform, DWT）以提高计算效率。在LSTM模块中，模型通过遗忘门、输入门和输出门的计算来控制信息存储与遗忘，从而捕获长期时间特征。Transformer模块则通过查询（Query）、键（Key）和值（Value）的计算、缩放点积注意力以及多头注意力机制来建模全局时间依赖，同时引入位置编码以弥补Transformer缺乏时序建模能力的不足。在数据预处理阶段，研究首先对训练集进行Z-score标准化，利用训练集的均值和标准差对验证集和测试集进行归一化，以防止数据泄露。考虑到金融数据的非平稳性，研究采用滑动窗口机制将原始时间序列分割为固定大小且重叠的子序列，每个窗口内的子序列独立进行离散小波变换分解，以降低边界效应并避免非重叠时间区间之间的信息泄露。在实验设计阶段，研究选取了两个公开数据集进行验证：Binance加密货币市场数据和S&P 500指数成分股数据。Binance数据集包含比特币和以太坊等主要加密货币的分钟级交易数据，特征包括开盘价、收盘价、最高价、最低价、交易量和主动买入量，适合研究短期极端波动和高频异常。S&P 500数据集则包含日级别的指数及成分股数据，特征包括开盘价、收盘价、最高价、最低价、交易量和调整后收盘价，适合研究长期趋势偏离和结构性异常。研究选择了五种主流基准模型进行对比，包括时间融合Transformer（Temporal Fusion Transformer, TFT）、条件分数扩散模型（Conditional Score-based Diffusion Model, CSDI）、图偏差网络（Graph Deviation Network, GDN）、自监督学习模型TS2Vec以及基于卷积神经网络的DeepAnt。评估指标包括准确率（Accuracy）、召回率（Recall）、精确率（Precision）、F1分数（F1-score）和平均绝对误差（Mean Absolute Error, MAE）。此外，研究还设计了消融实验，通过分别移除小波变换、LSTM、Transformer以及它们的组合，来验证各模块对模型性能的贡献。

在实验结果方面，WavelST-Trans在Binance数据集上取得了0.92的准确率、0.90的召回率、0.87的精确率和0.88的F1分数；在S&P 500数据集上取得了0.91的准确率、0.89的召回率、0.85的精确率和0.87的F1分数。与基准模型相比，WavelST-Trans在Binance数据集上的召回率比TS2Vec提高了6%，比DeepAnt提高了8%；在F1分数上比GDN提高了3%。在S&P 500数据集上，该模型的F1分数比TFT和CSDI分别提高了3%和5%。尽管CSDI在MAE指标上表现最优，但WavelST-Trans在离散异常分类任务中具有明显优势。在消融实验中，移除小波变换后，Binance数据集上的准确率从0.92下降到0.89，F1分数从0.88下降到0.85；在S&P 500数据集上，F1分数从0.87下降到0.84。单独移除LSTM或Transformer均导致F1分数显著下降，而同时移除LSTM和Transformer时，F1分数降至最低，接近传统机器学习方法的水平。这些结果表明，小波变换、LSTM和Transformer的协同作用对于模型性能至关重要。

该研究的结论指出，WavelST-Trans能够有效建模不同时间尺度下的异常模式，在高频交易市场和长期趋势市场中均表现出优于主流模型的泛化能力和鲁棒性。具体而言，在高频市场中F1分数和召回率提升了3%至10%，在长期趋势市场中准确率提升了5%至9%。该研究的科学价值在于提出了一种多尺度混合建模框架，将信号处理与深度学习相结合，克服了传统统计模型和单一深度学习模型在非平稳金融数据上的局限性。其应用价值体现在市场监控、量化交易和信用评估等金融风险控制场景中，该模型能够及时识别潜在市场风险，为金融机构提供更精确的决策支持。该研究的亮点包括：首次将小波变换、LSTM和Transformer进行系统性整合，并通过特征融合策略实现多尺度信息的高效利用；通过消融实验验证了各模块的必要性和互补性；在加密货币和传统股票两个不同类型的市场数据集上验证了模型的适用性和稳定性。此外，该研究还公开了数据来源，Binance数据可通过Binance API获取，S&P 500数据可通过Yahoo Finance获取，这为后续研究的可复现性提供了支持。未来工作将聚焦于优化Transformer结构、自适应异常阈值以及整合外部市场事件，以进一步提升模型在极端金融事件下的稳定性和适应性。