AI 投资前沿：金融基础模型真正的考题是时间完整性

金融基础模型越来越容易被描述，却越来越难被公平评估。一个预训练时间序列模型或许能提供更好的收益先验或研究表示，但投资者真正要问的是：在每个决策时点，模型是否只知道当时已经公开的信息？对构建者而言，时间完整性比离线预测误差再改善一点，更应该成为上线门槛。

前沿信号

近期关于金融收益预测时间序列基础模型的研究，把机会定义为：从更广泛的历史数据中学习可复用先验，再适配到具体资产或任务。这一方向有现实价值，可能减少特征工程成本，也可能为组合系统提供更好的起点。

但风险同样明确。金融数据虽然带有时间索引，数据管道却未必遵守时间。修订后的基本面数据、经过幸存者筛选的股票池、使用未来信息生成的标签，以及随机打乱的验证集，都可能把未来信息悄悄带入过去。模型看似具有迁移能力，实际上可能只是评估协议发生了信息穿越。

为什么投资者在意

受影响的不是某一个模型指标，而是从数据接入到组合执行的整条链路。如果先验被污染，下游代理就可能为一个当时并不存在的优势生成结构漂亮、引用完整的解释。

因此，智能交易证据台账与模型基准同样重要：每个特征和判断都应有时间戳、来源和可用性规则。金融表示只有通过时点检验，才可能成为投资系统的一部分。

技术解读

可以把模型拆成四个组件：预训练语料、适配数据、预测目标和组合策略。在多个历史决策日冻结每个组件，只允许使用在决策日之前已经发布的数据。先测试预测层，再在包含换手、流动性和成本的条件下测试组合层。

一个实用实验是三组对照：简单历史基线、任务专用模型、以及使用相同组合映射的基础模型。采用滚动窗口而不是随机交叉验证，并按预测期限、资产类别、市场状态和数据版本报告结果。还要记录输入是否在事后被修订、股票池是否包含后来退市或被移除的名称。

现实校验

基础模型的规模不会消除非平稳性。市场结构、参与者、交易场所、监管和流动性变化后，模型学到的关系可能迅速失效。跨资产预训练也可能隐藏训练集与测试集之间的时间或资产重叠。

另一个问题是，干净的预测结果未必带来好的组合。微小的预测提升可能在交易成本、持仓限制、借券费用和执行延迟下消失；反过来，一个预测能力普通的模型也可能通过改善风险估计或在不确定时主动不交易而产生价值。应把这些渠道分开测量。

构建者要点

• 把可用时间戳和数据版本设为研究数据的必填字段。
• 在批准基础模型先验前，强制通过滚动评估和简单基线对照。
• 分开报告预测质量、风险控制、组合映射和执行结果。
• 加入真实成本、流动性限制、股票池变化和数据修订后的压力测试。
• 建立证据台账，让代理说明它为何行动，也说明哪些信息在当时不可用。

链接 / 来源

• Pretrained Time-Series Foundation Models for Financial Return Forecasting — 金融收益可复用先验的研究方向。
• 智能交易证据台账 — 来源与工作流框架。

Read in English →