与魔鬼交易：基础模型策略中的风险与收益

基础模型——已经在自然语言处理等领域实现变革性突破——正开始在金融时间序列任务中崭露头角。尽管这些预训练架构承诺提供多样化的预测信号，但关于它们如何塑造基于其构建的交易策略的风险轮廓却鲜有了解，这使得实践者不敢将重资金投入。本文提出了一种对资本资产定价模型（CAPM）的扩展，使其能够分离基础模型所带来的系统性风险——如果底层模型真正具有预测能力，则可能产生α——以及源于自定义微调而产生的非系统性风险——通常不产生系统性溢价。为实现对这两种风险的实际估计，我们将该分解与不确定性分离的概念相吻合，将系统性风险定义为源于预训练模型的认知不确定性，将非系统性风险定义为由自定义适应引入的偶然不确定性。在阿尔亚托米克崩溃假设下，我们展示了蒙特卡罗 dropout等不确定性量化工具包中的方法，能够直接测量认知风险，从而将交易策略映射到更透明的风险-收益平面上。我们的实验表明，分离这两种独立风险因素可提供对基础模型策略性能极限、模型随时间 degradation 以及针对性改进潜力路径的更深入见解。综上所述，我们的结果凸显了在竞争性金融市场中部署大型预训练模型的前景与陷阱。