[论文解读] ReLaMix: Residual Latency-Aware Mixing for Delay-Robust Financial Time-Series Forecasting

Tianyou Lai, Wentao Yue+6 more|arXiv (Cornell University)|Mar 21, 2026

Stock Market Forecasting Methods被引用 0

一句话总结

ReLaMix 是一个轻量级的残差延迟感知混合网络，在 ZOH 延迟下能够恢复干净的高频金融信号，参数远少于基线即可达到最先进的精度，并具备跨资产的泛化能力。

ABSTRACT

Financial time-series forecasting in real-world high-frequency markets is often hindered by delayed or partially stale observations caused by asynchronous data acquisition and transmission latency. To better reflect such practical conditions, we investigate a simulated delay setting where a portion of historical signals is corrupted by a Zero-Order Hold (ZOH) mechanism, significantly increasing forecasting difficulty through stepwise stagnation artifacts. In this paper, we propose ReLaMix (Residual Latency-Aware Mixing Network), a lightweight extension of TimeMixer that integrates learnable bottleneck compression with residual refinement for robust signal recovery under delayed observations. ReLaMix explicitly suppresses redundancy from repeated stale values while preserving informative market dynamics via residual mixing enhancement. Experiments on a large-scale second-resolution PAXGUSDT benchmark demonstrate that ReLaMix consistently achieves state-of-the-art accuracy across multiple delay ratios and prediction horizons, outperforming strong mixer and Transformer baselines with substantially fewer parameters. Moreover, additional evaluations on BTCUSDT confirm the cross-asset generalization ability of the proposed framework. These results highlight the effectiveness of residual bottleneck mixing for high-frequency financial forecasting under realistic latency-induced staleness.

研究动机与目标

• 将 Zero-Order Hold (ZOH) 停滞下的高频预测形式化，并识别现有模型的失败模式。
• 提出 ReLaMix，一种基于瓶颈的残差混合框架，在保留非线性市场动态的同时抑制由延迟引起的冗余。
• 展示一种适合实时部署的紧凑模型在最先进精度与跨资产泛化方面的表现。

提出的方法

• 应用信息瓶颈风格的瓶颈投影，将输入从 D_in 压缩到较小的潜在维度 d_b。
• 使用具备两个子模块的残差延迟感知混合块：时间混合（带残差的时序线性混合）和扩展–压缩特征混合（瓶颈扩展与压缩）。
• 引入多层级跳跃连接以改善梯度流动和信息在层间的传播。
• 端到端训练，使用 MSE 损失从被 ZOH 破坏的历史中恢复未来的干净动力学。
• 在第二分辨率的 PAXGUSDT 上使用模拟的 ZOH 延迟进行评估，并具备对 BTCUSDT 的泛化能力。

实验结果

研究问题

• RQ1 ZOH 破坏导致的延迟性陈旧性如何影响高频预测模型？
• RQ2 与现有混合器/变换器基线相比，是否可以通过轻量级的瓶颈与残差混合架构更有效地在延迟观测下恢复真实市场动态？
• RQ3 ReLaMix 是否在远小于现有模型参数的情况下保持准确性，支持实时部署，并实现跨资产泛化？
• RQ4 瓶颈压缩和残差 refinement 对在 ZOH 延迟下的性能有何贡献？
• RQ5 该方法能否将其在 PAXGUSDT 的优势转移到 BTCUSDT？

主要发现

• ReLaMix 在第二分辨率的 PAXGUSDT 基准测试中，在延迟比（15%、25%、35%）和时长（k=1,5,7,10）下达到最先进的预测准确性。
• 在 15% 延迟和 k=1 的情形，ReLaMix 达到 MSE 0.02928、MAE 0.06109、R2 0.99103，参数量为 13.93K，优于 TimeMixer 及其他基线。
• 在各类延迟下，ReLaMix 保持了最小的参数量（约 13.9K–15.4K），相比 TimeMixer（约 41K）、PatchTST（约 102K）、TimesNet（约 229K）具有显著优势。
• 消融研究显示瓶颈压缩对于抑制 ZOH 冗余至关重要，残差细化对于保持预测动力学同样关键；移除任一组件都会显著降低性能。
• ReLaMix 可泛化到 BTCUSDT，在 25% 与 35% 延迟下，k=5 或 k=10 时取得最佳指标（MSE 0.0328/0.0302，MAE 0.0226/0.0293，R2 0.7727/0.7865）。
• 多层级跳跃连接提升了对延迟干扰输入的训练稳定性与信息流，帮助收敛。