当方向准确性说谎时:用于股票预测的 LoRA 适配 TimesFM 的基准率诚实基准

大型预训练时间序列模型(如 TimesFM)对金融预测很有吸引力,但原始的方向准确性在股票市场中是一个误导性的记分牌。该项目中一个早期的 LoRA 适配器似乎达到了大约 80% 的方向准确性;我们表明这不是技能的证据。在上涨市场的长期视野中,一个简单的"始终上涨"规则在不使用任何输入的情况下达到了同样高的准确性。为了将真正的技能与这种基准率伪影区分开来,我们构建了一个可复现的、冻结数据的基准,具有扩展的前向验证折叠、分层保留股票分割、诚实的基线(零样本 TimesFM、始终上涨、随机游走、持久性、AR(1)),以及在 Benjamini-Hochberg FDR 控制下的配对显著性检验(McNemar、Diebold-Mariano)。我们将相同的方法应用于两个领域——以科技股为主的 NASDAQ-100 和广泛的 S&P 500——报告相对于始终上涨基准率的超额准确性。三个发现得到重复。首先,当历史约 80% 的条件被重现时,高数字是约 0.70 的基准率,微调模型得分低于该基准率。其次,合并的 LoRA 在任何视野上对任一领域都没有显示出相对于基准率的方向技能(在六个月视野上为负)。第三,按部门专业化显著差于单个合并适配器(在 h=128 的保留股票上 Diebold-Mariano p<0.001)。微调唯一可衡量的好处是相对于零样本 TimesFM 在点预测误差上的统计显著降低,但这并没有击败朴素基线,也没有提供可交易的方向优势。贡献是方法论的:一个可辩护的、完全种子化的协议,防止基准率陷阱,以及它产生的重复的负面结果。