迈向金融世界建模

arXiv:2610.09048v1 公告类型：新 摘要：构建世界模型需要一种有助于规划和决策的状态表示，这种表示可能还要适用于训练时尚未知的任务。在金融市场背景下，规划和决策可能要求模型对全市场状况、特定资产的预期收益、流动性、波动性以及跨资产关系进行推理。然而，金融表示学习在很大程度上一直通过单独的预测任务进行评估，而且往往只基于单个时间段和相对狭窄的数据集。我们通过三项主要贡献来解决这一问题。首先，我们引入 Market-1T，这是一个涵盖 2008 年至 2025 年美国股票、以 1 Hz 分辨率记录、包含近一万亿条观测的数据集。其次，我们制定并实施了一套严格的评估协议。第三，我们对金融表示学习开展了系统性的大规模研究，在近二十年的市场制度中比较了 18 种编码器训练策略。我们既根据所学习表示在常见金融任务上的预测效用进行评估，也通过对潜在结构的探测来评估它们。我们发现，预测性能相近的编码器可能以截然不同的方式组织市场状态。总体而言，我们为训练和评估金融市场表示奠定了基础，以支持 DINO-WM、V-JEPA 2 和 LeWM 等世界模型。