通过上下文学习进行状态感知的金融波动率预测
机器学习
2026-03-12 v1
摘要
本文介绍了一个状态感知的上下文学习框架，该框架利用大型语言模型 (LLM) 在非平稳市场条件下进行金融波动率预测。所提出的方法部署预训练的 LLM 来推理历史波动率模式，并在无需参数微调的情况下调整其预测。我们开发了一个 oracle 引导的优化程序，从训练数据中构建状态感知的示例。然后，将 LLM 作为上下文学习器部署，根据输入序列，使用根据估计的市场标签条件采样的示例来预测下一步波动率。这种条件采样策略使 LLM 能够仅通过上下文推理来适应依赖于状态的波动率动态。使用多个金融数据集进行的实验表明，所提出的状态感知上下文学习框架优于经典的波动率预测方法和直接的一次性学习，尤其是在高波动率时期。
引用
@article{arxiv.2603.10299,
title = {Regime-aware financial volatility forecasting via in-context learning},
author = {Saba Asaad and Shayan Mohajer Hamidi and Ali Bereyhi},
journal= {arXiv preprint arXiv:2603.10299},
year = {2026}
}
备注
11 pages, 1 figure, Published as a conference paper at ICLR 2026 Workshop on Advances in Financial AI