引言
即便预测比特币未来一天的价格走势，也是连最精妙的算法都难以应对的挑战。加密货币市场兼具经典金融资产与高风险投机工具的特征：长期趋势、剧烈价格跳空与近乎随机的噪声在此并存。大多数现有神经网络只能部分解决这一问题：它们能较好地捕捉总体趋势，但对转折点的反应存在明显滞后。arXiv 上的一项研究提出了一种全新方法，试图以截然不同的思路解决该问题——通过傅里叶算子与多专家路由的混合架构。这里指的是由刘博文和闵敏·孙开发的 MoFE（Mixture-of-Experts with Fourier Neural Operators）框架。该工作已在 IEEE ICBC 2026 会议上展示，预印本于同年八月公开。
MoFE 并非用单一通用模型去适配所有市场状态，而是采用一组各司其职的专家模型，每个专家负责一种价格动态类型，并配有一个动态协调器，决定在当下该听取哪位专家的意见。
为什么加密货币市场如此难以预测
从自回归到 LSTM 的经典时间序列预测方法，都假设数据至少在短区间内具有某种平稳性。而加密货币在多个方面同时违背了这一假设。首先，市场频繁发生状态切换：平静的趋势可能在数小时内转为恐慌或非理性上涨。其次，价格序列内部同时存在不同尺度的过程——从与减半相关的多年周期，到秒级的微观结构波动。第三，这些过程并非统计独立，而是构成一个复杂的随机网络。
正因如此，基于历史数据训练的模型往往给出时间滞后的预测。它们仿佛在追赶市场，而非预判市场。相位滞后在短周期（一天或一周）尤为明显，此时价格可能多次改变方向。在这种条件下，单纯增加神经网络深度毫无用处：误差不断累积，反而导致更大的延迟。MoFE 试图通过将任务分解为频谱成分并交由各专家分别处理来消除这一缺陷。
MoFE 的架构
专家：傅里叶与卷积
MoFE 的核心思想是利用傅里叶变换实现从时域到频域的转换。模型并非直接预测下一个价格点，而是学习“函数到函数”的映射：它接收的不是离散点，而是一整段时间序列片段，并输出向前平移的另一片段。傅里叶算子——一种处理函数而非向量的数学构造——使这一方法得以实现。MoFE 内部采用自适应傅里叶算子（AFNO），负责全局频谱规律。此外，模型还包含卷积专家，同时在时域和频域两个领域工作，捕捉纯频谱分析难以察觉的局部特征与市场微观结构。
所有专家都学习连续映射，使模型能够泛化到新的市场条件，而无需针对特定历史时点重新训练。这种“函数式”视角对金融数据尤为适用，因为重要的不仅是精确数值，还有曲线变化的方式。
动态门控
如何决定下一时刻哪位专家表现更佳？MoFE 采用混合专家（Mixture-of-Experts）机制来解决。一个专门的门控器分析当前市场状态，并为每位专家计算权重系数。在一种模式下，捕捉长期趋势的频谱专家可能发挥更大作用；而在另一种模式下，对短期波动敏感的卷积专家则更为关键。门控器与专家共同训练，并随时间调整以识别典型市场模式。由此，模型能够即时切换策略，无需重新启动训练。
为何有效：随机方程
MoFE 的作者在构建架构时依托随机微分方程理论。根据这一概念，加密资产价格是一个方程的解，其中波动率并非恒定值，而是多个振荡过程的叠加。例如，价格的基本增长与用户网络的扩展和技术采用相关；季节性成分源于挖矿周期、难度变化和减半；最后，混沌成分由交易者的集体情绪产生。
这些成分各有其频率特征，若将价格序列分解为这些特征，预测便归结为在短周期内延续每个振荡，再对结果进行叠加。MoFE 正是执行这一操作，组合多个专门专家，每个专家针对特定频段训练。这既避免了通用模型容易出现的平均化倾向，又能在不丢失重要信号的前提下平滑噪声。
实验与结果
为验证有效性，作者使用 2020 年 1 月至 2025 年 12 月的比特币数据进行了实验。模型分别测试了未来一天（T+1）和未来五天（T+5）的预测。根据所报告的结果，MoFE 在多项指标上达到 state-of-the-art 水平。具体而言，与基线模型相比，它在方向准确率（Directional Accuracy）和信息系数（Information Coefficient）上均表现出显著更高的精度。
尤为引人注目的是交易模拟。当 MoFE 的预测被用于虚拟环境中的交易决策时，模型展现出可观的超额收益，同时保持了较低的风险水平，体现在较高的夏普比率上。这意味着模型并非仅仅“猜中”趋势，而是以足够稳定的方式做到这一点，没有灾难性的回撤。作者强调的关键优势是消除相位滞后：MoFE 的预测以最小延迟跟随价格变化，这对实际交易至关重要——数小时可能意味着数十个百分点的利润差异。
结论
MoFE 是迈向更智能的金融市场预测方法的一步。它并非通过复杂化架构来对抗非平稳性，而是将其视为既定事实，并将任务分解为研究充分的组成部分。傅里叶算子提供了处理函数的强大数学工具，而多专家路由则增添了灵活性与适应性。
所提出的 MoFE 框架表明，两个看似不同的思想——频谱分析与混合专家——的结合可产生协同效应。该方法的进一步发展可能涉及将其应用于其他资产、采用更多样化的专家，以及与替代数据（如社交情绪或区块链流量）的整合。但现在已经清楚：如果你想预测加密货币市场，值得关注的是这类混合模型，而非那些同样擅长平均化趋势与噪声的“通用”模型。
