STOCK-JEPA：股票市场中以先验为锚的潜在修订表示学习

arXiv:2610.07006v1 公告类型：new 摘要：学习有效的表示有助于从低信噪比的金融数据中刻画股票市场的结构与动态。黑盒深度模型能够捕捉复杂模式，但可能对样本噪声过拟合，并且缺乏显式的经济结构。与此同时，经典线性金融模型能够提供可解释的参照，但其过度简化的假设无法捕捉非线性信号。为结合这两个方向的优势，我们提出 Stock-JEPA，一种联合嵌入预测框架，用于学习相对于时点金融先验的可预测增量修订。首先，我们利用低复杂度金融模型生成概括多时间跨度收益与风险的固定统计量。随后，先验投影器将这些统计量映射到目标编码器的潜在空间中，作为锚点。其次，我们设计了一个以上下文为条件的修订预测器，用于估计未来表示相对于该锚点的可预测位移。两个分支分别通过不同的损失进行更新：锚点从先验统计量中学习，而修订则从历史上下文中捕捉额外的可预测信息。第三，我们冻结所有表示模块，并训练下游读出器，通过横截面排序和投资组合表现评估其预测结果。从理论上，我们证明，对于同一个未来表示，最优修订会使先验锚点的期望平方误差恰好减少 $\mathbb{E}[\|\boldsymbol{\Delta}\|_2^2]$。这一非负增益等于可从历史上下文中预测的额外信号的平方幅度期望。在实验中，在大规模中国和美国股票 universe 上，Stock-JEPA 在 5 项关键评估指标上均优于 13 个强基线。消融实验和表示分析进一步证明了所学习修订对于股票市场表示学习的价值。