ABSTRAK
Kami mengusulkan metodologi baru untuk mengubah deret waktu keuangan ke dalam format geometris melalui urutan titik awan, yang memungkinkan pemodelan perilaku nonstasioner yang lebih kaya. Dalam kerangka kerja ini, volatilitas berfungsi sebagai arahan spasial untuk memandu bagaimana jendela temporal yang tumpang tindih menjadi terhubung dalam tensor ketetanggaan, yang menangkap hubungan volatilitas lokal dan kedekatan temporal. Perluasan spasial kemudian menginterpolasi titik-titik dengan kekuatan koneksi yang berbeda sementara pengisian celah memastikan struktur geometris yang teratur. Mekanisme perhatian yang dibobot relevansi berikutnya menargetkan wilayah signifikan dari setiap jendela yang ditransformasikan. Untuk lebih menerangi dinamika yang mendasarinya, kami mengintegrasikan eksponen Lyapunov terbesar secara langsung ke setiap titik awan, menanamkan tanda tangan kacau yang mengukur prediktabilitas lokal. Tidak seperti jaringan CNN, RNN, atau Transformer kanonik, representasi berbasis geometri ini memudahkan untuk mendeteksi perubahan mendadak, kluster volatilitas, dan dependensi multiskala melalui isyarat geometris dan topologi yang eksplisit. Terakhir, arsitektur yang menggabungkan komponen yang terinspirasi grafik—bersama dengan enkoder titik awan dan perhatian multihead—mempelajari dinamika jangka pendek dan jangka panjang dari rangkaian waktu yang diperkaya secara spasial. Kemampuan metode untuk menyelaraskan struktur yang digerakkan oleh volatilitas, fitur yang kacau, dan perhatian temporal meningkatkan kinerja prediktif dalam pengujian empiris pada data saham dan mata uang kripto, yang menggarisbawahi potensinya untuk analisis keuangan yang serbaguna dan aplikasi berbasis risiko.
Mengubah Waktu Menjadi Bentuk: Kerangka Titik-Awan dengan Tanda-tanda Kacau untuk Rangkaian Waktu
