DARTS时间序列预测中处理非连续时间戳的最佳实践

在金融时间序列分析领域，处理股票市场数据时经常会遇到非连续时间戳的问题。本文将以DARTS时间序列预测库为例，深入探讨如何正确处理仅包含交易日和工作时间的非连续性金融数据。

问题背景

股票市场数据具有典型的非连续性特征：

• 仅包含交易日（周一至周五）
• 每天只有固定交易时段（如美股市场为9:30-16:00）
• 排除节假日等非交易日

当使用DARTS等时间序列预测库时，默认会假设时间戳是连续且等间隔的，这会导致系统自动填充非交易时段为NaN值，影响模型训练效果。

解决方案比较

方案一：使用RangeIndex替代DatetimeIndex

实现方法： 将原始的DatetimeIndex转换为简单的整数序列RangeIndex，完全剥离时间信息。

优点：

• 实现简单直接
• 避免DARTS自动填充非交易时段
• 仍可将年月日信息作为静态协变量使用

缺点：

• 丢失精确的时间信息
• 不利于后续与外部时间相关特征的结合
• 可能影响某些依赖时间特征的模型性能

适用场景： 快速原型开发或对时间信息依赖不强的简单模型

方案二：自定义交易日历掩码

实现原理： 通过定义自定义交易日历，精确指定有效交易时段，包括：

• 工作日掩码（周一至周五）
• 交易时段掩码（如9:30-16:00）
• 节假日排除规则

技术要点：

1. 创建BusinessDay日历定义基本工作日
2. 叠加CustomBusinessHour定义每日交易时段
3. 使用HolidayCalendar添加特殊休市日
4. 将完整日历应用于时间序列索引

优点：

• 保留完整的时间语义信息
• 支持更复杂的时间相关特征工程
• 符合金融数据分析的行业标准做法

缺点：

• 实现复杂度较高
• 需要维护完整的交易日历规则

适用场景： 生产环境部署或需要精确时间建模的场景

进阶建议

对于高频交易数据分析，还可考虑：

1. 分时区处理：全球市场数据需考虑时区转换
2. 盘前盘后数据：虽然常规交易时段外数据质量较低，但对某些策略可能有价值
3. 异常交易日处理：如熔断日、提前收盘日等特殊情况

总结

DARTS作为强大的时间序列预测库，在处理金融数据时需要特别注意时间戳的非连续性特征。对于快速验证，RangeIndex方案简单有效；而对于生产系统，建议采用完整的交易日历掩码方案。实际选择应综合考虑开发周期、数据特征和模型需求等因素。

未来随着DARTS的版本更新，可能会原生支持更灵活的金融时间序列处理功能，值得持续关注。