面向基于 Transformer 的交易的算法偏见审计
机器学习
2025-12-02 v2 计算工程、金融与科学
摘要
Transformer 模型在金融领域的应用日益增长，但其潜在的风险和偏见仍未得到充分探索。本工作旨在审计模型对波动数据的依赖情况，并量化价格波动频率如何影响模型的预测置信度。我们采用 Transformer 模型进行预测，引入一种基于部分信息分解 (PID) 的度量来衡量每个资产对模型决策的影响。我们的分析揭示了两个关键发现：首先，模型完全忽略了数据波动性；其次，它对低频率价格波动的数据持偏好态。
引用
@article{arxiv.2510.05140,
title = {Auditing Algorithmic Bias in Transformer-Based Trading},
author = {Armin Gerami and Ramani Duraiswami},
journal= {arXiv preprint arXiv:2510.05140},
year = {2025}
}