TAPES

TAPES 是一个面向交易序列的任务对齐联合预测预训练框架。

TAPES 通过短程联合预训练试验评估候选目标集的下游效用，而非使用目标可预测性作为选择标准。

TAPES 使用共享离散隐变量参数化的联合似然进行预训练，以显式建模预测目标间的条件共现关系。

在 TAPES 的离散隐变量模型中，给定隐变量取值，各预测目标条件独立；边际化隐变量后，目标之间呈现条件共现结构。

TAPES 的完整流程为：构造候选目标集 → 短程试验评估下游效用 → 选择目标集 → 重新初始化编码器 → 联合预训练 → 下游微调。

TAPES 在真实世界交易风险场景和多个公开金融基准上进行了评估，覆盖多样化的下游任务。

实验结果显示 TAPES 优于代表性基线方法。

消融研究验证了预测目标选择机制和联合建模策略两个核心组件对 TAPES 性能的贡献。

TAPES 的方法有效性目前主要体现在论文所报告的实验范围内。