FinSTaR：迈向基于时间序列推理模型的金融推理

时间序列 (TS) 推理模型 (TSRM) 在一般领域表现出了良好的能力，但在表现出独特特征的金融领域却始终失败。我们通过交叉 1) 单实体与多实体分析与 2) 当前状态评估与未来行为预测，提出了 TSRM 的通用 2x2 能力分类法。我们在金融领域（其中确定性评估和随机预测之间的区别尤为重要）将这种分类法实例化为十项金融推理任务，形成基于标准普尔股票的 FinTSR-Bench 基准。为此，我们提出了 FinSTaR（金融时间序列思维和推理），它在 FinTSR-Bench 上进行了训练，并针对每个类别定制了独特的思想链 (CoT) 策略。对于确定性评估（即可根据可观察数​​据进行计算），我们采用 Compute-in-CoT，这是一种程序化 CoT，使模型能够直接从原始价格中得出答案。对于本质上是随机的（即受不可观察因素影响）的预测，我们采用情景感知 CoT，它在做出判断之前生成不同的情景，反映了金融分析师在不确定性下的推理方式。所提出的方法在 FinTSR-Bench 上实现了 78.9% 的平均准确率，大大优于 LLM 和 TSRM 基线。此外，我们还表明，通过联合训练，四种能力类别是互补且相辅相成的，并且场景感知 CoT 持续提高了标准 CoT 的预测准确性。代码可公开获取：https://github.com/seunghan96/FinSTaR。