金融时间序列基础模型的再探索
计算金融
2025-11-25 v1 人工智能
机器学习
投资组合管理
证券定价
摘要
金融时间序列预测是交易、组合优化和风险管理的核心问题，但由于数据噪声、非平稳和异构性，仍面临挑战。近期受大型语言模型启发，时间序列基础模型（TSFMs）提供了一种从大规模和多样化数据集中学习通用时序表示的新范式。本文对全球金融市场中 TSFMs 的实际进行了首个全面经验研究。我们使用跨越多市场的日度超额收益的大规模数据集，评估了零样推断、微调和从头预训练相对于强基准模型的效果。我们发现，即插即用预训练 TSFMs 在零样和微调情境下表现不佳，而是在金融数据上从头预训练的模型可实现显著的预测和经济改进，凸显了领域特定适应的价值。增加数据集规模、融合合成数据增强以及应用超参数调优进一步提升了性能。
引用
@article{arxiv.2511.18578,
title = {Re(Visiting) Time Series Foundation Models in Finance},
author = {Eghbal Rahimikia and Hao Ni and Weiguan Wang},
journal= {arXiv preprint arXiv:2511.18578},
year = {2025}
}