迈向金融世界模型

摘要

构建世界模型需要一种对规划和决策有用的状态表示——可能针对训练时未知的任务。在金融市场的背景下，规划和决策可能需要一个模型来推理整个市场的状况、特定资产的预期回报、流动性、波动性和跨资产关系。然而，金融表征学习很大程度上是在个人预测任务上进行评估的，通常是在单个时间段内使用相对狭窄的数据集进行评估。我们通过三个主要贡献来解决这个问题。首先，我们介绍 Market-1T，这是一个数据集，包含 2008 年至 2025 年美国股市近万亿个观测值，分辨率为 1 Hz。其次，我们制定并实施严格的评估协议。第三，我们对金融表征学习进行了系统性的大规模研究，比较了近二十年市场体制中的 18 种编码器训练策略。我们通过学习表征对常见财务任务的预测效用以及对潜在结构的探索来评估学习表征。我们发现具有相似预测性能的编码器可以以非常不同的方式组织市场状态。我们共同建立了培训和评估金融市场表征的基础，以支持 DINO-WM、V-JEPA 2 和 LeWM 等世界模型。

迈向金融世界模型：论文原图 — 表 3：评估了解的市场状态的组织。上图：我们嵌入了同一评估月内三个随机选择行业的六家公司的观察结果，并测试代表性空间的接近程度是否反映了共享的日期、公司和行业结构，得分为 T1-T4。底部：我们根据已实现的回报估计统计因子，并测量从嵌入中解码单个因子载荷的效果 (F1) 以及因子子空间的主要方向 (F2) 捕获了多少。表：T1-T4 给出了作为机会倍数的 top-1 率和目标的平均百分位数排名（越低越好），而 F1 和 F2 给出了单一分数，越高越好；绿色标记一列中前三个经过训练的方法，红色值并不比未经训练的随机 ViT 更好。