ReLaMix: Latenzresistente Finanzprognosen mit Residual‑Mixing

In der hochfrequenten Finanzwelt sind Prognosen oft durch verzögerte oder teilweise veraltete Daten erschwert, die durch asynchronen Datenerhalt und Übertragungsverzögerungen entstehen. Um diese realen Bedingungen besser abzubilden, untersucht die neue Studie ein simuliertes Verzögerungsmodell, bei dem ein Teil der historischen Signale durch einen Zero‑Order‑Hold‑Mechanismus (ZOH) verfälscht wird. Dadurch entstehen stufenweise Stagnationsartefakte, die die Vorhersage deutlich erschweren.

Die Autoren stellen ReLaMix vor – eine leichte Erweiterung des TimeMixer‑Netzwerks, das lernbare Bottleneck‑Kompression mit residualer Verfeinerung kombiniert. ReLaMix eliminiert gezielt redundante, veraltete Werte, während es gleichzeitig die wesentlichen Marktbewegungen durch eine verbesserte Residual‑Mixing‑Schicht bewahrt. Diese Architektur ermöglicht eine robuste Signalwiederherstellung, selbst bei stark verzögerten Beobachtungen.

In umfangreichen Experimenten auf dem zweisekündigen PAXGUSDT‑Benchmark zeigt ReLaMix konsequent die bestmögliche Genauigkeit über verschiedene Verzögerungsraten und Vorhersagehorizonte hinweg. Es übertrifft sowohl starke Mixer‑ als auch Transformer‑Baselines, und das mit deutlich weniger Parametern. Ergänzende Tests auf BTCUSDT bestätigen die übertragbare Leistungsfähigkeit des Ansatzes auf andere Vermögenswerte.

Die Ergebnisse unterstreichen, dass residualbasiertes Bottleneck‑Mixing ein wirkungsvolles Mittel ist, um hochfrequente Finanzprognosen unter realistischen, latenzinduzierten Verzögerungen zu verbessern. ReLaMix setzt damit einen neuen Standard für effiziente und genaue Vorhersagen in dynamischen Marktbedingungen.