EXAONE Finance：专为金融打造的时序预测基础模型深度解析

引言：通用时序模型为何难解金融预测难题

近年来，时间序列基础模型（Time Series Foundation Model, TSFM）通过大规模预训练在零样本预测任务上展现出强劲性能。这类模型借鉴了大语言模型（LLM）的预训练-微调范式，在海量时序数据上进行自监督预训练以学习通用时序表征，代表性工作包括 Google 的 TimesFM、Amazon 的 Chronos、Salesforce 的 Moirai 等。其核心理念是：通过在海量异构时序数据上进行自监督预训练，模型可以学习到跨领域、跨场景的通用时序表征能力，从而在未见过的新数据集上实现零样本（zero-shot）或少样本（few-shot）预测。例如，Google 的 TimesFM 在约 1000 亿个时间点上进行预训练，Chronos 则创新性地将连续时序数据通过分桶量化转化为离散 token，直接复用语言模型架构。这一范式的吸引力在于：用户无需针对每个具体预测任务从头训练模型，大幅降低了部署门槛。

然而，当这些通用模型被应用到金融领域时，却屡屡碰壁。LG AI Research 团队最新发布的技术报告《EXAONE Forecast for Finance》（简称 EXAONE Finance）正是针对这一痛点，提出了一款专为金融时序预测量身打造的基础模型。

EXAONE Forecast for Finance

为何通用 TSFM 在金融场景水土不服？报告指出了三大关键局限，也正是 EXAONE Finance 试图逐一破解的技术难题。

通用时序模型在金融领域的三大局限

计算成本随序列长度平方级增长

目前主流的时间序列基础模型大多依赖自注意力（self-attention）作为核心骨架。自注意力是 Transformer 架构的核心组件，其工作原理是让序列中的每个位置都与其他所有位置计算相关性分数，从而捕捉全局依赖关系。但这种「全对全」的计算方式导致其时间和空间复杂度均为 O(N²)，其中 N 为序列长度。

学术界已有多种方案尝试缓解这一问题：Linformer 通过低秩近似将复杂度降至 O(N)，但牺牲了部分全局建模能力；Performer 使用随机特征映射近似 softmax 注意力核函数；FlashAttention 则从硬件层面优化了 GPU 内存访问模式，虽然不改变理论复杂度但显著加速了实际运算。此外，状态空间模型（SSM）如 Mamba 通过选择性状态空间机制实现了线性复杂度的序列建模，近期在长序列任务上表现亮眼。但这些方案通常是对注意力机制的近似优化，而非根本性的架构替换。

而金融面板数据往往具有序列长、通道多的特征——想象一下同时追踪股票、外汇、大宗商品等成百上千个资产的长期历史数据，当涉及数千个资产、每个资产又有数年甚至数十年的日频或更高频数据时，N 可能达到数万乃至数十万量级，自注意力架构的计算负担将变得难以承受。

假设输入数据完整导致现实适配差

通用模型通常假设输入是「完全可观测」的。但真实的金融市场充满了间歇性缺失——交易停牌、非交易日、数据采集中断等因素导致金融面板数据存在大量连续的缺失片段。

值得强调的是，金融面板数据（Financial Panel Data）是金融计量经济学中的核心数据形态，指同时包含截面维度（多个资产/实体）和时间维度的二维数据结构。其缺失模式与传感器数据或气象数据中的随机缺失截然不同，它通常呈现出「结构化」和「间歇性」的特征：个股可能因停牌而连续多日无交易数据，新上市公司在上市前完全无数据，不同国家的交易所有不同的假期安排导致跨市场数据对齐困难，某些另类数据源可能在特定时间段中断采集。

传统的缺失值处理方法包括前向填充（用最近已知值填充）、线性插值、多重插补（Multiple Imputation）等。但在金融场景中，这些方法各有弊端：前向填充会在长期停牌时引入虚假的「零波动」信号；线性插值无法反映真实的价格跳跃；多重插补的随机缺失假设（MCAR/MAR）与金融数据的结构化缺失模式不符。更棘手的是，缺失本身往往携带信息——停牌可能预示着重大事件，数据中断可能反映流动性枯竭，这些信号不应被简单地「填平」。这种非随机、成块的缺失模式，使得基于理想化完整数据训练的模型，在面对现实中的缺失值时表现会大打折扣。

预训练语料脱离金融市场动态

更根本的问题在于，通用 TSFM 的预训练语料主要来自通用领域时序数据，无法捕捉金融市场独特的动态特性。金融时间序列具有一系列区别于其他领域数据的显著统计特征，这些被金融计量经济学称为「程式化事实」（stylized facts）的规律已被数十年的实证研究反复验证：

波动率聚集（Volatility Clustering）——由诺贝尔经济学奖得主 Robert Engle 于 1982 年在其 ARCH 模型中首次形式化描述——意味着大幅波动之后往往紧跟更多大幅波动，平静期之后往往延续平静。其后续扩展 GARCH 模型将当期波动率建模为过去波动率的自回归函数。实证研究表明，金融收益率序列本身通常接近不可预测（弱有效市场假说），但其二阶矩（波动率）却具有强烈的时序依赖性和可预测性。

此外还有尖峰厚尾分布——极端值出现概率远高于正态分布假设，标准正态分布下超过 4 个标准差的事件概率约为万分之六，但在真实金融数据中这一概率可能高出数十倍；杠杆效应（又称不对称波动效应）——由 Black 于 1976 年首次记录，指负收益对后续波动率的放大效应强于等幅正收益，在行为金融学中被解释为损失厌恶和恐慌情绪的传导；均值回复与动量效应的交替切换，以及跨资产联动、宏观因子驱动等复杂动态。这些特性与温度、电力负荷等通用时序数据的统计性质截然不同，导致数据层面的「先天不足」严重制约了通用模型在金融预测任务上的表现。

EXAONE Finance 的三大核心创新

无注意力（Attention-Free）架构实现线性复杂度

为了解决计算瓶颈，EXAONE Finance 大胆摒弃了自注意力机制，转而采用两个简单却高效的线性时间复杂度算子：

因果一维卷积（Causal 1D Convolution）：负责时间维度的信息混合（temporal mixing），以线性复杂度捕捉时序依赖关系。因果卷积通过约束卷积操作只能访问当前时刻及之前的输入（通过对输入序列进行左侧零填充实现，填充长度等于卷积核大小减一），严格保证了时间序列预测中必须遵守的因果性。其计算复杂度为 O(N×k)，其中 k 为固定大小的卷积核，整体为线性复杂度 O(N)。然而，普通因果卷积的感受野受限于层数×卷积核大小，增长较慢。通过使用膨胀卷积（dilated convolution），即在卷积核的采样点之间引入固定间隔，如果每层的膨胀率按 2 的指数增长（1, 2, 4, 8, ...），则 L 层网络的感受野可达 2^L，实现指数级增长。这正是 DeepMind 的 WaveNet（2016 年，最初用于音频生成）和 TCN（Temporal Convolutional Network）等经典架构所验证过的有效策略，它们在多个基准上证明了与甚至优于 LSTM、GRU 等循环网络的性能。
组感知池化 MLP（Group-Aware Pooling MLP）：负责变量维度的信息混合（variate mixing），高效处理多通道之间的交互。在多变量时间序列预测中，「变量混合」至关重要——金融市场中的跨资产联动（如石油价格波动对航空股的影响、美元走势对新兴市场资产的传导）蕴含着丰富的预测信号。组感知池化 MLP 的设计思路是将变量按组进行池化后再进行 MLP 交互，既保留了跨资产信息交流的能力，又将计算复杂度控制在线性水平，是效率与表达力之间的精妙折衷。

这一设计将计算复杂度从平方级降至线性级，使得模型能够从容应对金融领域「长序列、多通道」的数据特征，这在需要同时建模海量资产的实际场景中至关重要。值得注意的是，EXAONE Finance 选择的因果卷积+MLP 路线代表了一条有别于 Mamba 等状态空间模型的技术路径：完全避开注意力机制及其变体，回归更简洁的算子组合，以最直接的方式实现线性复杂度。

掩码上下文增强策略应对数据缺失

针对金融数据普遍存在的缺失问题，EXAONE Finance 引入了掩码上下文增强（Masked Context Augmentation） 训练策略。这一方法的灵感可追溯到降噪自编码器（Denoising Autoencoder, DAE）的核心思想——通过人为破坏输入并要求模型恢复原始信号来学习鲁棒的数据表征。这一思想在 NLP 领域由 BERT（2018 年）发扬光大，通过随机掩码 15% 的 token 进行双向语言建模预训练；在计算机视觉中，掩码自编码器（MAE, 2021 年）发现掩码比例高达 75% 时仍能有效学习视觉表征；在时间序列领域，PatchTST 等工作也探索了掩码预训练。

但 EXAONE Finance 做了关键的领域适配：与这些方法中的随机掩码不同，EXAONE Finance 特别设计了连续块状掩码（contiguous block masking），以精确模拟金融数据中实际发生的间歇性缺失模式。这种设计比随机掩码难度更大，因为模型无法通过相邻时间步的简单插值来「作弊」，必须真正学会从更远的上下文中推断缺失区间的动态特征。

在训练过程中，模型会主动接触连续的缺失片段，被迫在部分输入被遮蔽的条件下仍然生成准确预测。这种「有损输入、完整输出」的训练范式迫使模型学会利用不完整的上下文信息进行推理，从而学会在数据不完整的条件下依然保持稳健的预测能力。这种「以缺失训练缺失」的思路，直接对应了金融市场中无处不在的间歇性观测问题。

覆盖多资产类别的大规模金融预训练语料

在预训练数据方面，EXAONE Finance 使用了大规模金融语料，覆盖范围远不止股票（equities），还包括：

外汇（foreign exchange）
大宗商品（commodities）
加密资产（crypto-assets）
固定收益（fixed income）
宏观经济指标（macroeconomic indicators）

如此广泛的资产覆盖，让模型能够真正理解金融市场的跨资产动态，而非停留在单一领域的表层规律。例如，固定收益数据能帮助模型学习利率环境对股票估值的影响——当央行加息时，债券收益率上升会提高股票的折现率从而压制估值，这种跨资产传导是资产配置的基本逻辑；宏观经济指标（如 PMI、CPI、就业数据等）能提供经济周期的先行信号，这些指标的变化往往领先于金融资产价格数月甚至数个季度；加密资产数据则让模型接触到更极端的波动模式（比特币的年化波动率通常是标准普尔 500 指数的 3-5 倍）和更复杂的市场微观结构（24/7 全天候交易、去中心化交易所的流动性碎片化等）。这种多资产预训练使模型有机会内化金融市场中各类资产之间错综复杂的传导机制。

FinVerse 基准测试：三项指标全面SOTA

EXAONE Finance 在 FinVerse 这一涵盖多种资产类别的金融预测基准上进行了评测，并取得了当前最优（SOTA） 的成绩。FinVerse 是专门为评估时间序列模型在金融领域表现而设计的综合性基准测试套件，其出现本身就标志着金融时序预测研究从「拼通用指标」向「拼实务价值」的范式转变——传统的时序预测基准（如 ETTh、Weather、Traffic 等）主要来自能源、气象、交通等领域，无法反映金融数据的独特挑战。

值得关注的是，EXAONE Finance 在三个核心评估维度上全部排名第一：

点预测精度（Point-Forecast Accuracy）：衡量对未来数值的直接预测准确度，通常使用 MSE（均方误差）或 MAE（平均绝对误差）等指标，对应实际交易中的信号生成需求；
横截面资产排名（Cross-Sectional Asset Ranking）：衡量对不同资产相对表现的排序能力，对应量化投资中最核心的选股和资产配置场景。在实务中，准确判断「哪只股票比另一只更强」往往比准确预测「某只股票明天涨多少」更有价值。绝大多数系统化投资策略——包括动量策略、价值策略、多因子选股策略——本质上都依赖于对资产的截面排序：在每个时间点上判断哪些资产将表现优于其他资产，然后做多排名靠前的资产、做空排名靠后的资产。衡量这一能力的标准指标是 Spearman 秩相关系数（Rank IC），即使 Rank IC 仅为 0.03-0.05 这样看似微小的数值，在大规模资产池中通过充分分散化也可能产生统计显著的超额收益；
组合盈利能力（Portfolio Profitability）：直接从投资收益角度评估模型的实用价值，通常涉及基于模型预测信号构建投资组合并计算夏普比率（Sharpe Ratio，即经风险调整后的收益率）、最大回撤等风控指标。这是检验预测能力能否转化为真实经济回报的终极标准。

从数值精度到资产排序，再到最终的投资收益，EXAONE Finance 在全链条上均实现领先，这意味着它不仅在学术指标上表现优异，更具备落地到实际投资决策的潜力。

领域专用基础模型的趋势与展望

EXAONE Finance 的价值在于，它没有盲目追随「更大注意力、更多参数」的主流路线，而是从金融领域的实际约束出发，做出了三项针对性的架构与数据选择：用线性算子替代自注意力以解决效率问题、用掩码增强解决缺失问题、用多资产语料解决领域适配问题。

这也反映出一个更广泛的行业趋势：随着基础模型进入垂直行业，「通用大模型」未必是最优解，面向特定领域的专用基础模型（Domain-Specific Foundation Model） 正在展现出独特优势。这一趋势在多个领域已有显著体现：金融领域有 Bloomberg 的 BloombergGPT（2023 年，在金融 NLP 任务上超越了同等规模的通用模型，其关键在于使用了 Bloomberg 积累数十年的金融文本数据进行预训练），医疗领域有 Google 的 Med-PaLM（在美国医师执照考试 USMLE 上达到专家级水准）和 BioMedLM，科学计算领域有 Meta 的 Galactica。

这些案例共同印证了一个规律：当目标领域的数据分布与通用预训练语料存在显著偏移时，领域特化的收益会超过简单的规模扩展。其底层逻辑是，不同垂直领域各自拥有独特的数据分布、专业知识体系与合规约束，使得「一个模型通吃所有场景」的愿景难以实现。专用模型通过在架构、数据和训练策略三个层面进行针对性定制，能够更精准地对症下药。

不过，领域专用模型也面临独特挑战：高质量领域数据的获取成本高昂、模型可能在领域外泛化能力下降（灾难性遗忘）、以及在受监管行业（如金融和医疗）中的模型可解释性和合规审查要求更为严格。作为一份技术报告，EXAONE Finance 的真实泛化能力、在真实交易环境中的表现（包括交易成本、滑点、市场冲击等实际摩擦因素的影响），以及是否会开源、如何部署等问题仍有待观察。但无论如何，EXAONE Finance 为「时序基础模型如何服务金融预测」提供了一个颇具启发性的技术范本，也为金融 AI 模型的发展方向带来了新的思考。