>> 國信證券-AI賦能資產(chǎn)配置(二十二)：大模型如何征服K線圖？-251110
| 上傳日期： |
2025/11/10 |
大?。?/td>
| 2737KB |
| 格式： |
pdf 共15頁 |
來源： |
國信證券 |
| 評級： |
-- |
作者： |
王開,陳凱暢 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
核心觀點
Kronos模型作為首個專為金融K線數(shù)據(jù)設(shè)計的基礎(chǔ)模型，成功解決了通用時間序列模型在金融市場中的適應(yīng)性難題。其根本性突破在于，它將金融時序分析從傳統(tǒng)的數(shù)值回歸范式轉(zhuǎn)向了語言建模范式。通用模型因金融數(shù)據(jù)信噪比極低、非平穩(wěn)性強，且其訓(xùn)練語料中金融數(shù)據(jù)占比不足1%而表現(xiàn)不佳；而Kronos通過在大規(guī)模金融語料基礎(chǔ)上預(yù)訓(xùn)練，實現(xiàn)了對市場動態(tài)的精準解讀。
在技術(shù)架構(gòu)上，Kronos的核心創(chuàng)新在于其專有的“金融分詞器”與“分層自回歸建?！睓C制。分詞器利用BSQ算法將連續(xù)的K線數(shù)據(jù)離散化為離散的Token，這一過程如同將市場波動轉(zhuǎn)化為可被模型理解的“金融單詞”。在此基礎(chǔ)上，模型采用分層預(yù)測：首先預(yù)測代表市場大勢的“粗粒度”標記，再在此框架下預(yù)測捕捉細節(jié)波動的“細粒度”標記，這模仿了“先戰(zhàn)略、后戰(zhàn)術(shù)”的專業(yè)投資決策流程，顯著提升了計算的效率與模型的魯棒性。
該模型在多項核心金融任務(wù)中展現(xiàn)出卓越的實戰(zhàn)性能，驗證了其作為專用模型的顯著優(yōu)勢。實證數(shù)據(jù)顯示，Kronos在價格預(yù)測任務(wù)中的RankIC較領(lǐng)先的通用時序模型提升了93%，波動率預(yù)測的平均絕對誤差（MAE）降低了9%。在最終的策略回測中，由Kronos信號驅(qū)動的投資組合實現(xiàn)了21.9%的年化超額收益和1.42的信息比率，證明了其預(yù)測信號能夠有效轉(zhuǎn)化為優(yōu)秀的投資績效。
展望未來，Kronos所確立的“領(lǐng)域?qū)Ｓ谩甭窂綖榻鹑诖竽Ｐ偷陌l(fā)展指明了方向。它的成功標志著從“通用智能”到“領(lǐng)域智能”轉(zhuǎn)型的必要性?；诖思軜?gòu)，下一代模型有望進一步融合文本、基本面等多模態(tài)數(shù)據(jù)，并與強化學(xué)習(xí)等技術(shù)結(jié)合，最終演進為能夠自主完成“感知-決策-執(zhí)行-優(yōu)化”全鏈路的智能投資體。
風(fēng)險提示：結(jié)論受模型存在不確定性、數(shù)據(jù)質(zhì)量、市場環(huán)境影響，本文不構(gòu)成任何投資建議。
|
|
