金融时间序列的波动聚类适应

在更多目标数据产生更好预测的隐含假设下，时间序列基础模型通过对目标数据进行微调，越来越适应新领域。我们表明，这种假设在金融预测中可能会失败，因为个别价格变化很难预测，但大幅波动往往会聚集在一起，从而形成平静和动荡交替的时期。使用在开盘价、最高价、最低价、收盘价和成交量价格条上训练的金融基础模型，我们认为适应金融领域需要超越下一个词元预测的训练信号。我们引入了波动性聚类适应（VCA），它通过对平方回报的自相关（波动性聚类的标准统计签名）的可微分惩罚来增强下一个词元交叉熵。这个附加目标通过将自回归rollout的结果依赖结构与已实现的未来依赖结构相匹配，提供了多步训练信号。在三个资产集和两个评估约定中，VCA 改进了预训练模型的适应性，在主要评估 (\textsc{fore}) 下获得了最强的收益，这主要是由于方差误差的减少。总体而言，我们的结果表明，有效的金融适应需要捕获超越词元级别预测的特定领域时间结构的目标。