召唤先知以诛之：利用大语言模型缓解金融回测中的前视偏差
人工智能
2026-05-26 v1 计算工程、金融与科学
机器学习
摘要
在历史金融数据上对大语言模型（LLMs）进行回测是不可靠的，因为预训练截止于事件发生之后。一个在2024年训练的LLM已经“知道”2018-2020年股票的走势。我们将这种失效命名为参数化前视偏差，并提出FinCAD，这是一种在推理时进行的上下文感知解码自适应方法，无需重新训练即可抑制LLM对历史结果的记忆。FinCAD将一个对抗性偏差发现流程（该流程学习一个模型特定的记忆激活先验提示）与一个实体和日期自适应规则配对，该规则将CAD强度缩放至每个（实体，日期）的记忆程度，使得惩罚在记忆的样本内日期上触发，并在样本外衰减至零。在五个7-14B的LLM和五只超大盘股上，FinCAD在记忆日期上将样本内回测收益最多削减了-67.1%，同时使2025年的样本外收益保持在$8K以内，夏普比率保持在基线0.10以内，并保留了通用推理能力，分差在1.7分以内。在一个包含十一个模型的排行榜上，它将样本内/样本外的斯皮尔曼相关性从+0.779提升至+0.846，恢复了能真正预测样本外性能的排名。
引用
@article{arxiv.2605.24564,
title = {Summoning the Oracle to Slay It: Mitigating Look-Ahead Bias in Financial Backtesting with Large Language Models},
author = {Weixian Waylon Li and Mengyu Wang and Tiejun Ma},
journal= {arXiv preprint arXiv:2605.24564},
year = {2026}
}