历史是不够的：用于金融时间序列合成的自适应数据流系统
人工智能
2026-01-16 v1 交易与市场微观结构
摘要
在量化金融中，由概念漂移和分布非平稳性驱动的训练与真实世界表现之间的差距，仍然是构建可靠数据驱动系统的关键障碍。在静态历史数据上训练的模型常常过拟合，导致在动态市场中的泛化能力差。“历史是不够的”这一口号强调了自适应数据生成的必要性，这种生成学习与市场共同演变，而不是仅仅依赖过去的观察。我们提出了一个漂移感知的数据流系统，将基于机器学习的自适应控制集成到数据整理过程中。该系统将一个参数化的数据操作模块（包括单股票变换、多股票混合和整理操作）与一个采用基于梯度的双层优化来控制系统的自适应规划器-调度器相结合。这种设计将数据增强、课程学习和数据工作流管理统一在一个可微分的框架下，实现了来源感知的回放和持续的数据质量监控。在预测和强化学习交易任务上的大量实验表明，我们的框架增强了模型的鲁棒性并改善了风险调整后的收益。该系统为金融数据的自适应数据管理和学习引导的工作流自动化提供了一种通用方法。
引用
@article{arxiv.2601.10143,
title = {History Is Not Enough: An Adaptive Dataflow System for Financial Time-Series Synthesis},
author = {Haochong Xia and Yao Long Teng and Regan Tan and Molei Qin and Xinrun Wang and Bo An},
journal= {arXiv preprint arXiv:2601.10143},
year = {2026}
}