这篇论文系统研究了高频交易中因交易成本导致的极端标签不平衡问题（80%样本为中性无收益类别），提出了结合时序建模与损失调整的解决方案。研究采用LSTM和Mamba架构处理60秒窗口内的13维微观市场特征（如订单簿价差、波动率等），对比了动态欠采样、固定损失权重（少数类权重提升8倍）、焦点损失及类敏感损失四类策略，验证了Mamba模型与固定权重组合在六种中国期货品种上夏普比率提升60%的显著效果。实验发现跨品种训练可缓解小品种过拟合，同时揭示了数据噪声与领域偏移的挑战。论文提出未来结合Transformer预训练和生成式数据增强的方向，并通过开源代码为实际交易系统提供模块化实现参考。

欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai