超越二元分类：基于概率分布与多状态识别的时序预测框架
摘要
传统的时序预测模型多将未来走势简化为“上涨”或“下跌”的二元分类问题，这种简化割裂了市场状态的连续性与整体性，忽略了不确定性本质。本文提出一种全新的时序预测框架，核心是通过概率分布预测与动态多状态识别的协同融合，从根本上超越二元分类范式。该框架采用混合密度网络输出完整的未来值概率分布，同时利用隐马尔可夫模型或注意力机制编码器动态识别系统所处的潜在状态。状态信息作为先验知识调节概率预测网络，形成“识别-预测”闭环。实证表明，本框架不仅在点预测误差指标上表现稳健，更在连续分级概率评分和区间覆盖概率等不确定性量化指标上显著优于传统二元分类模型，为决策者提供了更丰富、更符合现实不确定性的决策依据。
1. 引言：二元分类的局限与范式转移的必要性
在金融、气象、能源消耗等时序预测领域，将连续的未来值简化为“高于阈值”或“低于阈值”的二元分类，是一种普遍但存在根本缺陷的做法。这种范式至少带来三方面局限：
- 信息损失：将丰富的连续性信息压缩为单一的比特信号，丢弃了波动幅度、概率密度等关键信息。
- 决策僵化：基于二元结果的决策（如“买入/卖出”）无法进行精细化风险管理，无法回答“可能性有多大”以及“风险有多高”。
- 假设失真
