FinSTaR：面向金融领域的时间序列推理模型
人工智能
2026-05-26 v2 机器学习
摘要
时间序列(TS)推理模型(TSRM)在一般领域已展现出色的能力，但在金融领域始终难以胜任，金融领域具有独特特征。我们提出了一种通用的2x2能力分类法，通过交叉1)单实体分析与多实体分析，以及2)对当前状态的评估与对未来行为的预测。我们在金融领域实现此分类——其中确定性评估与随机预测的区别尤为关键——构建了十个金融推理任务，形成基于S&P股票的FinTSR-Bench基准。为此，我们提出FinSTaR（Financial Time Series Thinking and Reasoning），在FinTSR-Bench上训练，针对每个类别采用不同的链式思维(CoT)策略。对于确定性评估（即可从可观测数据中计算得出），我们采用Compute-in-CoT，即一种程序化CoT，使模型能够直接从原始价格数据中推导答案。对于本质上是随机的预测（即受不可观测因素影响），我们采用Scenario-Aware CoT，即在作出判断前生成多种情景，模拟金融分析师在不确定性下的推理方式。该方法在FinTSR-Bench上实现了78.9%的平均准确率，显著优于LLM和TSRM基线。此外，我们进一步表明，四个能力类别通过联合训练是互补且相互强化的，Scenario-Aware CoT在预测准确率上持续优于标准CoT。代码已公开：https://github.com/seunghan96/FinSTaR。
关键词
引用
@article{arxiv.2605.03460,
title = {FinSTaR: Towards Financial Reasoning with Time Series Reasoning Models},
author = {Seunghan Lee and Jun Seo and Jaehoon Lee and Sungdong Yoo and Minjae Kim and Tae Yoon Lim and Dongwan Kang and Hwanil Choi and Soonyoung Lee and Wonbin Ahn},
journal= {arXiv preprint arXiv:2605.03460},
year = {2026}
}