时序神经网络的演进与主要模型
　　在金融时间序列预测领域，神经网络架构经历了从简单感知向复杂时序建模的重要演进。
　　早期循环神经网络（RNN）首次引入隐状态记忆机制，但存在梯度消失/爆炸问题，难以捕获长期依赖。随后长短期记忆网络（LSTM）及其变体门控循环单元（GRU）通过门控设计较好地解决了长期依赖问题，成为多年来的主流时序建模方案。近年来，时序卷积网络（TCN）依托因果膨胀卷积结构实现了更高效的并行计算与长期依赖建模；而源于自然语言处理的Transformer模型，也凭借自注意力机制在长序列预测中展现出显著潜力。
　　在此背景下，带外部输入的非线性自回归网络（NARX）以其独特的结构设计和良好的可解释性，为多变量金融时间序列预测提供了一个直观而有力的工具。
　　风险提示
　　以上结果及分析依据历史数据得出，存在一定局限性，不代表未来表现，不构成任何投资意见；
　　样本数据有限，数据处理统计可能存在误差，不足以代表市场整体风险，模型存在失效可能。