顶级基金实盘在跑的冷门模型，和时序大模型的真相：那些很强但很冷门的架构，以及时序大模型到底有没有用

一篇写给量化从业者的深度报告。所有数字都能追到原始出处，凡是我核实不了的地方，我都会明说。

先把结论摆在最前面，你可以只看这张表：

开场：我为什么要写这篇

这个行业有个很有意思的现象。

你去翻 arXiv，每个月都有几十篇"我们用 Mamba/KAN/超图/某个全新架构预测股票，效果超过所有 baseline"的论文。你再去问真正在管钱的人在用什么，答案往往朴素得让人失望：LightGBM，加一堆人肉挖出来的特征。

这两件事之间的鸿沟，就是这篇报告要填的东西。

但我不想写成"深度学习在金融没用"这种廉价的反鸡汤——那也是错的。有些冷门模型确实在实盘里跑着，而且赚钱。关键在于分清楚哪一层用什么。所以这篇报告的骨架是这样的：

这张图在说什么：把"量化模型"拆成五层，每层的任务完全不同，胜出的架构也完全不同。绿色是有公开真实数据或实盘证据的，橙色是学术热但实盘证据薄的。你会发现绿色最密集的地方是第③层（图模型）和第④层（订单簿），而不是大家最爱讨论的第②层（时序架构）。

我会按这五层一层一层讲。每一层我都尽量给你能追到源头的证据，而不是"据说某某基金在用"。

第一步：先建立一个直觉，不然后面全是废话

在往下走之前，必须先解决一个认知问题。因为如果你不知道"真实的量化预测有多弱"，后面所有数字你都会读错。

量化里衡量预测好坏最常用的指标叫 IC（Information Coefficient，信息系数）。说白了就是：你的预测值和真实未来收益之间的相关系数。 完美预测 IC = 1，瞎猜 IC = 0。

那真实世界里，好模型的 IC 是多少？

这张图在说什么：三张散点图，横轴是模型预测，纵轴是真实未来收益。左边那张 IC ≈ 0.05，是 Qlib 榜单上最强档模型的真实水平——肉眼几乎看不出任何关系，就是一团噪声。 中间 0.20 是加密货币高频场景。右边 0.60 我画出来只是为了让你有个对比：在日频股票收益上，如果谁跟你说他的 IC 有 0.6，第一反应应该是去查数据泄漏，而不是恭喜他。

这就是这个行业的真实底色。IC 0.05 意味着什么？意味着你每次预测都可能是错的，但你在几千只股票上、每天重复这件事，用组合把这个微弱的偏差累积起来，最后变成了钱。

理解了这一点，你才能读懂后面的数字。当我说"HIST 的 IC 是 0.0522，比 LSTM 的 0.0448 高"时，这不是小数点后的无聊游戏——这个差距在真实资金上是完全不同的两条净值曲线。

好，现在可以开始了。

第③层最硬的证据：图模型确实赢了，而且赢在一个很讲道理的地方

我先讲图模型，因为你问的 GCN、GAT 就在这一层，而且这一层的公开证据是最扎实的。

为什么公开证据扎实？

因为微软开源了一个叫 Qlib 的量化研究平台，并且在仓库里维护了一份基准榜单：同样的数据、同样的回测流程、同样的组合构建规则，把二十多个模型全部跑一遍。而且——这点很关键——每个数字都是 20 次不同随机种子的均值加标准差。

这在金融机器学习里几乎是奢侈的诚实。太多论文的"我们更好"其实是"我们运气好"，跑一次拿个漂亮种子就发了。20 次取均值意味着你看到的差距是真的。

榜单长这样：

这张图在说什么：Alpha360 数据集（中国 A 股，CSI300 成分，输入是纯原始量价数据）上，按年化超额收益排序的完整榜单。红色是图模型，紫色是各种冷门专门架构，蓝色是常规序列模型，灰色是树模型。

看排名前四：HIST（9.87%）、IGMTF（9.46%）、TRA（9.20%）、TCTS（8.93%），然后是 GATs（8.24%）。前五里有三个是图模型。

再看倒数几名：KRNN（-4.65%）、TabNet（-3.69%）、Transformer（-2.70%）——是的，Transformer 在这个榜单上是亏钱的。

这三个图模型分别在干什么

GATs（图注意力网络），就是你提到的那个，2017 年 Veličković 等人提出的通用架构。它的核心思想极其简单：一个节点在更新自己的表示时，不该平等对待所有邻居，而应该学会"该多听谁的"。

放到股票上：预测宁德时代的时候，比亚迪的信息应该比某只银行股重要得多。GAT 就是让网络自己学出这个权重。榜单上它拿到年化 8.24%、信息比率 1.11、最大回撤 -8.94%。

HIST（微软亚洲研究院，2021）在 GAT 之上想得更深一层。它注意到一个问题：大家用的股票关系图，基本都是静态的。 你按行业分类建个图，然后一年都不变。但现实里，一只票和"新能源"这个概念的相关程度是天天在变的——今天有政策它就强相关，过一个月热度散了就弱相关。

更妙的是它还去挖**"隐概念"**：除了人工定义的行业、主题这些标签，股票之间还有一些说不清但确实存在的共性。HIST 让模型自己把这部分学出来。结果是榜单第一：年化 9.87%，信息比率 1.37，最大回撤 -6.81%。

IGMTF（同一批作者）走的是另一条路——不是建"股票与股票"的图，而是建**"当前这个样本和历史上哪些样本像"的图。有点像在说：今天这个市场状态，跟历史上哪几天最像？把那几天的模式借过来用。它拿到 9.46% 年化，而且最大回撤只有 -7.16%，是全榜最小的。**

这个"回撤最小"值得多说一句。在真实资金上，回撤比收益更能决定你能不能活到策略生效的那天。 一个年化 9% 回撤 7% 的策略，和一个年化 11% 回撤 25% 的策略，前者可能才是能上规模的那个。

但这里有个关键的坑，必须讲

如果我到此为止，你会得出"图模型天下第一"的结论。那就错了。看这张图：

这张图在说什么：横轴是同一个模型在 Alpha158（158 个人工精心设计好的因子，本质是表格数据）上的表现，纵轴是在 Alpha360（纯原始量价，有强时序结构）上的表现。

看 DoubleEnsemble：喂人工因子时它是全场最强，年化 11.58%；换成原始量价，掉到 4.62%。

看 Transformer：人工因子上 +2.73%，原始量价上 -2.70%。

看 MLP——就是最朴素的多层感知机：人工因子上 8.95%，居然打赢了一堆花哨架构；原始量价上 0.29%，几乎归零。

这就是全文我最想让你记住的一件事：

问"哪个模型强"是个错误的问题。正确的问题是"在什么形态的输入上，哪个模型强"。

人工因子已经把时序信息压缩进去了，剩下的是一张扁平的表——这时候树模型和 MLP 就是最优解，注意力机制没有东西可以注意。而原始量价保留了完整的时间和截面结构——这时候能显式建模结构的模型（图、路由、卷积）才能吃到东西。

我见过太多人拿着一篇论文的 SOTA 结论直接往自己的数据上套，然后困惑于为什么复现不出来。大概率不是你实现错了，是你的输入形态根本不是那篇论文的形态。

关于 Qlib 榜单，我必须给的免责声明

Qlib 官方 README 里自己写了一句很实在的话，大意是：我们实现和调参的资源很有限，尽力做到公平比较，但某些模型的潜力可能比表上看起来更大。

我把这句话原样传给你。这意味着：

• 榜单反映的是"在统一流程下，开箱即用能跑出什么"，不是"这个架构的理论上限"
• 单一市场（A 股）、单一频率（日频）、单一股票池（CSI300），换个市场结论可能就变
• 这是回测，不是实盘。没有真实的成交冲击、没有容量约束、没有借券成本
• 但反过来说——正是因为它统一、可复现、跑了 20 个种子，它比 99% 的论文声明都可信。

第④层：订单簿。深度学习在这里赢得最干净

如果你要我指出一个"深度学习在金融里赢得最没有争议"的地方，我会指向订单簿（Limit Order Book, LOB）。

原因很朴素：这一层数据量极大、结构极清晰、信噪比相对高。 一天几十亿条报价和成交，而且订单簿天然是个二维结构（价格档位 × 时间），这正是卷积网络最擅长的东西。

2016：Sirignano 的"空间神经网络"

Justin Sirignano 做了一件在当时很奢侈的事：用 50 块 GPU 组成的集群，在近 500 只股票上训练。

他的洞察在于设计了一个专门利用订单簿空间结构的架构。传统做法只看买一卖一（最优报价），但订单簿深处那些档位其实包含大量信息。他的"空间神经网络"能有效利用深层档位的信息，而且论文里特别提到：在分布尾部的表现尤其比标准神经网络好——这对风险管理很重要。

这个"尾部"的点很专业。大多数人只关心平均预测准不准，但做风控的人关心的是极端情况下你的模型会不会瞎。

2018：Sirignano 与 Rama Cont 的"普适性"发现

这篇我认为是这个领域最重要的论文之一。他们用数十亿条美股电子报价和成交记录做了一件事：训练一个所有股票共用的模型，然后去测那些根本没在训练集里出现过的股票。

结果是：这个"普适模型"的表现，超过了为每只股票单独训练的模型。

这个结论在当时是反直觉的。行业惯例是给每只票或每个行业做专门的模型。这篇论文说：别这么干，把所有股票的数据汇总起来训一个模型更好，因为价格形成机制本身是普适的。

更有意思的是他们报告的几个负面发现：按波动率、价格水平、平均价差做标准化，或者按行业、大小盘分组训练，都没能改善结果。 反而是把更长的历史订单流信息喂进去改善了预测——说明价格动态是有路径依赖的。

这几句"我们试了但没用"的坦白，比论文里的正面结果更有价值。

2018：DeepLOB —— 牛津那批人

Zhang、Zohren、Roberts 三个人（牛津 Oxford-Man 研究院，这个机构和 Man Group 有深度关联）做的 DeepLOB，是这个领域引用最多的工作之一。

架构说白了就是：卷积层抓订单簿的空间结构（哪些档位在变），LSTM 抓时间上的长程依赖（这个变化持续多久了）。

它的验证方式比大多数论文靠谱得多：

1. 在公开基准 FI-2010 上打赢所有当时的 SOTA
2. 然后用伦交所整整一年的真实市场报价重新测，得到"跨多个品种都非常稳定的样本外预测精度"
3. 最狠的一步：测那些不在训练集里的品种，模型依然有效——和 Sirignano-Cont 的"普适性"结论互相印证
4. 做了敏感度分析，指出订单簿里哪些部分最重要，不让它停留在黑箱

这才叫像样的实证工作。 公开基准 → 真实一年数据 → 跨品种迁移 → 可解释性，一步都没省。

2021：同一批人的诚实续作

Zhang 和 Zohren 后来做了多期限预测（不只预测下一跳，而是生成一条预测路径）。这篇有个很产业化的细节：他们用了 Graphcore 的 IPU 芯片来加速训练，因为编解码器结构依赖循环层，训练太慢。

为什么我要提这个硬件细节？ 因为它暴露了一个学术论文很少讨论但实盘极度关心的问题：训练和推理的延迟。 一个理论上很强但推理要 50 毫秒的模型，在高频场景里等于不存在。这也是为什么 TCN（时序卷积）在产业里比 RNN 受欢迎——它能并行，RNN 不能。

2025–2026：坏消息来了

上面全是好消息。现在讲坏消息，这部分比好消息重要。

TLOB（2025）这篇论文做了两个让人不太舒服的发现：

第一个：他们把一个简单的 MLP 架构适配到订单簿数据上，就超过了当时的 SOTA。作者自己在摘要里写：这挑战了复杂架构的必要性。

第二个，更扎心：他们实证发现股价可预测性随时间在衰减，F1 分数下降了 6.68。也就是说——市场在变得更有效，这些模型的饭碗在缩小。

第三个，最扎心：他们试着用平均买卖价差来定义"趋势"（也就是说，只有涨幅超过交易成本才算真的趋势）。结果性能显著恶化。作者的原话大意是：这凸显了把趋势分类转化为可盈利策略的复杂性。

这句话应该被印出来贴在每一个做量化的人的显示器上。

分类准确率 65% 听起来很不错。但如果你赚的那部分平均只有 0.8 个基点，而买卖价差是 1.5 个基点——你准确率再高都是在给交易所和做市商送钱。

同样的信号也出现在另一篇（2026）研究 Kolmogorov-Arnold 网络的论文里，标题直接就带着 "Alpha Decay"（阿尔法衰减）：传统模型如 DeepLOB，随着预测期限拉长，预测能力就流失。

这一层还有个"不冷门但被低估"的东西：Hawkes 过程

聊深度学习聊多了，容易忘掉一件事：做市和执行这两个业务，产业里真正的基建不是神经网络，是点过程模型。

Hawkes 过程（自激过程）的核心思想一句话能说清：一个事件发生后，会提高短期内同类事件再次发生的概率。 放到市场里就是——一笔大买单出现后，紧跟着更多买单的概率会上升。 这就是订单流的聚集性（clustering），是市场微观结构里最真实、最稳定的经验规律之一。

还有 队列反应模型（Queue-Reactive Model）（Huang、Lehalle、Rosenbaum，2013）——把订单簿建模成一组队列，订单到达率取决于当前队列状态。这类模型在做市和最优执行里是标配，因为它们能模拟，能用来做反事实分析：如果我这笔单子这样切，市场会怎么反应？

为什么这些"老东西"在产业里活得比新架构好？

因为它们可解释、可校准、能生成模拟环境。你没法拿一个 Transformer 去回答"如果我把这笔 500 万的单子拆成 20 份，冲击成本是多少"——但你能用 Hawkes + 队列模型算出来。

产业里最值钱的模型，往往不是预测最准的那个，而是能让你做决策的那个。

第①层最有说服力的证据：八场机构自己出题的比赛

前面讲的都是学术论文。现在讲一类我认为说服力更强的证据。

为什么更强？因为这些比赛的数据是机构生产系统里出来的，题目是他们自己出的，而且冠军方案全部公开可查。这比"某基金内部人士透露"靠谱一万倍。

这张图在说什么：从 2016 年到 2025 年，Two Sigma、Jane Street、Optiver、九坤（Ubiquant）、G-Research 这些机构亲自出题的八场公开竞赛，各自的数据类型和冠军方案。

我把最值得说的几场展开讲。

Jane Street 市场预测（2020–21）：冠军是"有监督自编码器 + MLP"

Jane Street 拿出了来自自家生产系统的数据——匿名化的特征，加上几个不同期限的收益标签（resp、resp_1 到 resp_4）。

冠军方案的几个关键动作，每一个都很有讲究：

动作一：把多个期限的收益标签全部转成分类目标，做多标签学习。 为什么？因为单看一个期限的收益噪声太大。同时预测多个期限，相当于强迫模型学"这笔机会到底好不好"这个更本质的东西，而不是去拟合某一个期限上的噪声。

动作二：用所有收益标签绝对值的均值做样本权重。 翻译成人话：让模型多关注那些"要么赚大要么亏大"的样本，别在鸡毛蒜皮的样本上浪费容量。 这是非常实战的思路——在真实的交易里，你的盈亏也是被少数大机会决定的。

动作三，也是最核心的：用自编码器造新特征，和原始特征拼在一起喂给下游 MLP。而且——把目标信息也加进自编码器，强迫它生成的特征和预测目标相关（这就是"有监督"自编码器的意思）。再在编码器前加高斯噪声层做数据增强、防过拟合。

动作四：三个不同随机种子训练取平均，降低预测方差。

动作五：5 折、31 天间隔的 purged group time-series 交叉验证。

最后这一条我要单独强调。"purged"（净化）和 "gap"（间隔）是金融机器学习和普通机器学习最本质的区别之一。

普通 K 折交叉验证会随机打乱数据。在金融时序上这么干，你就死了——因为今天的标签用到了未来几天的收益，如果训练集里有第 10 天、验证集里有第 11 天，那么第 10 天的标签已经包含了第 11 天的信息。你的验证分数会好得离谱，然后实盘一上就崩。

所以要做两件事：purging（把和验证集有时间重叠的训练样本删掉）和 embargo/gap（在训练集和验证集之间强行留一段空白）。这套方法论出自 Marcos López de Prado 的《Advances in Financial Machine Learning》。

你会发现这八场比赛的冠军，几乎人人都在用这套交叉验证。 这比他们用什么模型更值得学。

Optiver 已实现波动率（2021）：赢家是三个"土"模型的融合

Optiver 是全球顶级的期权做市商，波动率预测就是他们的命。他们放出了真实的订单簿快照数据。

冠军方案的模型部分朴素得让人意外：LightGBM + 一维 CNN + MLP，三个模型简单融合。 没有 Transformer，没有图网络。

真正的功夫全在特征上：

• 通过 t-SNE 把 time_id × stock_id 的价格矩阵压到一维，反推出了被打乱的时间顺序（这是个很漂亮的逆向工程，恢复出时间顺序后就能做真正的时序交叉验证）
• 基于 time_id 做 KNN：找到相似的时间窗口，把重要特征在这些邻居上重新聚合一遍——捕捉"当前市场状态"
• 基于 stock_id 做相关性 + KMeans：找到相似的股票，同样重新聚合——捕捉"行业效应"

注意最后两条在做什么。 它没有用图神经网络，但它在做和图神经网络一样的事情：把相关个体的信息聚合过来。只不过它用的是 KNN 和 KMeans 这种最朴素的工具。

这是一个非常重要的启示：图模型的价值在于"聚合相关个体的信息"这个思想，而不在于 GNN 这个实现。 很多时候一个精心构造的 KNN 特征，比一个调不好的 GAT 更管用，而且快一百倍、可解释得多。

九坤 Ubiquant（2022）：中国最大量化私募之一的真实 A 股因子

第一名：LightGBM + TabNet 融合（各 5 折取平均）。

它的特征工程有个很精妙的动作。原始数据是 300 个匿名因子。它做了这么一件事：先算出 300 个因子和目标的相关系数，取排名靠前的 100 个，然后计算这 100 个因子在每个 time_id（每个时间截面）上的均值，作为 100 个新特征加进去。

这 100 个新特征在表达什么？当天整个市场的状态。

这是一个在实战中极其常用但论文里很少提的技巧：把截面均值作为特征喂回去，等价于告诉模型"今天大盘环境是什么样"。 同样的因子值，在牛市和熊市里含义完全不同——加了这层信息，模型才能区分。

第三名的方案完全不一样，也很值得看：6 层 Transformer，最大序列长度 3500 只股票，在股票维度上做注意力，每一天当成一个样本。 直接用皮尔逊相关系数当损失函数。数据增强用了随机置零（特征级）+ 随机掩码（序列级），思路借鉴 BERT。不做任何特征工程，不搞花哨的折划分，就取最后 200 天当验证集。

这个方案很重要，因为它证明了 Transformer 在选股上不是不能用——关键是你要在"股票维度"上做注意力，而不是在"时间维度"上。

想想为什么。在时间维度上做注意力，你是在问"过去哪一天对今天最重要"；在股票维度上做注意力，你是在问"今天哪些票之间在互相影响"。后者才是截面选股的本质，而这恰恰就是图模型在做的事。

所以你看，第一名用树模型 + 截面均值特征，第三名用股票维度的 Transformer，Qlib 榜单上 HIST 用动态概念图——三条不同的路，都在解决同一个问题：如何利用股票之间的横截面关系。

第七名的一个细节，我觉得最值得说

第七名用的是简单的 LightGBM（把 extra_trees 参数打开）。他自己写道：模型吃进 900 多个特征，是从一个更大的特征池里筛出来的，"这算是我的秘密"。

然后他讲了一件事——作为对照，他的第二个提交用了同样的模型，但只用原始的 300 个特征，得分 0.112，连奖牌区都进不了。

同一个模型，同样的参数，特征不同，一个进前十，一个连奖牌都没有。

这就是这个行业的真相。模型架构的贡献，通常远小于特征工程的贡献。 这不是说架构不重要，而是说——如果你的特征不行，换任何架构都救不了你。

归纳一下这八场比赛告诉我们什么

最后必须给的免责声明：Kaggle 和实盘有本质区别。 没有成交成本、没有市场冲击、没有容量约束、可以反复提交去试探测试集。所以不能说"冠军方案就是实盘方案"。但"哪一类模型在机构自己的真实数据上稳定胜出"这个信息，是真实且有价值的。

现在回答你的第二个问题：时序基础模型，在实盘到底有没有用？

这是全篇我最想认真回答的部分，因为这里的市场噪音最大。

先把背景说清楚。2023 年之后出现了一批"时序基础模型"（Time Series Foundation Model, TSFM）——思路是复制大语言模型的成功路径：在海量、多领域的时间序列上预训练一个大模型，然后不用训练，直接零样本拿来预测任何新序列。

主要玩家：

• TimesFM（Google，2023）：解码器结构，在大规模时序语料上预训练
• Chronos（Amazon，2024）：思路最有趣——把时序数值缩放、量化成一个固定词表，然后直接拿语言模型架构用交叉熵训练。等于说"把时间序列当语言来学"
• Moirai（Salesforce，2024）：在 LOTSA 语料上训练，超过 270 亿个观测点，横跨九个领域
• Tiny Time Mixers（TTM）（IBM，2024）：走小模型路线
• Chronos-2（2025）：关键升级——支持多变量和协变量的零样本预测

宣传口径都很漂亮。那么放到金融上呢？

这张图在说什么：按任务分层的结论。越往上越接近"预测方向、直接换钱"，越往下越接近"预测形状、辅助决策"。红色是基本无效，橙色是有条件有效，绿色是相对有效。结论完全取决于你让它干什么活。

一个一个说。

结论一：预测股票收益方向 —— 基本无效，而且有个陷阱

2026 年 7 月有篇论文，我认为是这个话题上方法论最诚实的一篇。作者把 TimesFM 用 LoRA 微调后，放到股票上做方向预测。

故事是这么开始的：早期版本看起来达到了约 80% 的方向准确率。

80%！如果是真的，这就是印钞机。但作者做了一件绝大多数人不会做的事——他去查这个数字是怎么来的。

这张图在说什么：左边三根柱子。第一根是"看起来的 80%"。第二根是**"永远猜涨"这条废规则能拿到的 70%——在一个长期上涨的市场里，你什么都不看，闭着眼睛说"涨"，就能对 70%。第三根是微调后模型的真实水平：68%，比那条废规则还低。**

这就是基准率陷阱（base rate trap）。你的模型看起来很准，但它连"什么都不做"都打不过。

作者后来搭了一套非常严谨的评估框架，右边那张图列了它的组成：滚动前推验证、分层留出股票池（测没见过的票，而不是没见过的日子——这是两个完全不同难度的任务）、四条诚实基线（永远猜涨、随机漫步、持续性、AR(1)）、McNemar 和 Diebold-Mariano 配对检验，再套上 Benjamini-Hochberg 的假阳性率控制。

在这套框架下测出来的三个结论，在两个股票池（纳斯达克100、标普500）上都复现了：

1. 重建那个"80%"的条件后，那个高数字就是个 70% 的基准率，而微调后的模型得分低于它
2. 统一微调的 LoRA，在任何期限上都测不出超越基准率的方向性能力（六个月期限上甚至是负的）
3. 分行业专门微调，显著比统一微调更差（Diebold-Mariano 检验 p<0.001）

微调唯一可测的好处是：点预测误差比零样本 TimesFM 显著下降。但它仍然打不过朴素基线，也不带来任何可交易的方向性优势。

作者自己把这篇的贡献定义为"方法论的"——一个防止基准率陷阱的、完全可复现的评估协议，以及它产出的那个可复现的负结果。

我非常尊重这篇论文。 在这个满地都是"我们 SOTA 了"的领域里，愿意认真做一个负结果并且把它讲清楚，比十篇刷榜论文有价值。

结论二：通用榜单上强，不代表金融上有用

2026 年 8 月刚出的 FinVerse 基准，把这件事量化了。

它做的事情是：构建一个金融领域专用的时序预测基准。数据规模是 116,897 条金融时间序列、1.711 亿个观测点，其中挑出 60,232 条序列（1740 万观测） 作为评测目标——挑选标准是"这条序列对金融决策有没有经济意义"。

它最关键的设计思想是这个：别用统一的误差指标去评价性质完全不同的序列。 它定义了 11 个指标族、78 个评估指标，然后根据每条序列的经济含义，给它分配最合适的指标。

为什么必须这么做？论文自己举了例子：在股票预测里，正确预测涨还是跌，比最小化点预测误差更直接地关系到你的实际收益。

这句话说的是一个很多人栽过的坑。MSE 低不等于赚钱。 你可以有一个 MSE 极低的模型——它把每个预测都压到接近均值，误差自然小——但它对方向毫无判断力，交易价值为零。

它测了 43 个公开的时序预测基础模型，结论是：在通用预测标准下表现强，不必然转化为有用的金融预测。

43 个模型的实测。这是目前这个问题上最大规模的公开证据。

结论三：它真正有用的地方，是"省数据"而不是"更准"

现在讲好消息，而且这个好消息是真实的、可用的。

2025 年有篇论文测了 TTM 和 Chronos 在三个金融任务上的表现：美国十年期国债收益率变动、欧元兑美元波动率、股票利差预测。

TTM 展现出了扎实的可迁移性，具体数字是：

• 拿预训练的 TTM 和同样架构但随机初始化的模型对比，在数据有限时微调，预训练版本好 25–50%
• 即使在较长的数据集上微调，预训练版本仍然好 15–30%
• 零样本情况下，TTM 在波动率预测和股票利差预测上超过了朴素基线（后者说明它不微调就能打赢传统基准）
• 达到同等水平，预训练模型需要的历史数据少 3 到 10 年

最后这条是全部结论里商业价值最高的一条。

想想什么场景下这值钱：

• 一个新上市的品种，你只有三个月数据
• 一个新兴市场，历史数据又短又脏
• 一个新推出的衍生品，没有历史
• 你要快速评估一个新市场值不值得投入研究资源

在这些场景下，"少要 3–10 年数据"不是学术指标，是能不能做这笔业务的区别。

但这篇论文还有一句话，我认为比上面所有正面结果都重要，必须原样端出来：

虽然 TTM 打赢了朴素基线，但在三个任务里的两个，传统的专用模型追平或超过了它的表现。作者的解释是：时序基础模型优先追求的是广度，不是特定任务上的最优化。

这句话基本定义了这类模型在实盘里的正确位置。

翻译成人话：如果你已经有一个针对这个任务精心调过的传统模型，基础模型大概率打不过它。 基础模型的价值不在"更强"，在于它让你在还没有专用模型的时候就能有个不错的起点。

作者自己给的结论也很克制：这类模型**"虽然仍处于早期"，在噪声大、数据受限的任务上有实质前景，但要达到有竞争力的水平，很可能需要针对金融时序特性做领域专门的预训练和架构改造。**

这就是一个成年人的结论：不是"没用"，也不是"颠覆"，而是**"在特定生态位上有用，而且现成的通用版本还不够，需要为金融重做。"**

结论四：多变量确实有用，但"喂什么"极度挑食

2026 年有篇用 Chronos-2 做的研究，在两个面板上做了 2000–2025 年的滚动月度评估："七巨头"科技股和美国国债利率。

结论有两层，两层都重要：

第一层（好消息）：多变量输入稳定优于单变量。 在所有数据集上都成立，利率上的提升尤其明显，股票上也有实质改善。而且多变量输入下误差的离散度更低——不只是平均更准，是更稳定。

第二层（关键的坏消息）：把股票和利率两个市场的序列混在一起喂，预测精度反而下降。 论文的原话是：加入噪声上下文会损害模型表现。

这一层比第一层重要得多。

因为它直接否掉了一个很多人的直觉：既然多变量有用，那我把能拿到的所有数据都塞进去总没错吧？错。 无关的序列不是"多一点信息"，它是噪声，会主动伤害你。

这个发现和 Sirignano-Cont 那篇（2018）遥相呼应。那篇说"把所有股票汇总训练更好"，这篇说"把股票和利率混着训练更差"。两者不矛盾——前者混的是同质的东西（都是股票的订单簿），后者混的是异质的东西（股票和利率）。

汇总数据的收益，取决于你汇总的东西是不是同一个数据生成过程。 这是个很深的点，也是实践中最容易搞错的地方。

还有个更根本的问题：语言模型架构本身有没有用？

2024 年有篇论文，标题就是暴击：《语言模型对时间序列预测真的有用吗？》

他们对三个当时流行的"基于 LLM 的时序预测方法"做了消融实验（就是把某个部件拿掉，看结果会不会变差）。发现是：

把 LLM 部件整个删掉，或者换成一个最基础的注意力层，预测效果不会变差——大多数情况下甚至更好。

而且：尽管计算成本高昂，预训练的 LLM 表现并不比从头训练的模型好，它们并不能表示时序数据里的顺序依赖关系，在小样本场景下也帮不上忙。

他们进一步发现：patching（把时序切成片段）和注意力结构，本身就能达到和那些 LLM 预测器差不多的效果。

翻译成人话：真正起作用的是"把序列切片"这个朴素的技术动作，不是那个大模型。

我把这篇放在这里，是想说明一个更普遍的现象：在时序预测这个领域，"看起来是大模型带来的提升"，经常追查下去是某个不起眼的预处理技巧带来的。 而在金融数据这种信噪比极低的场景里，这种张冠李戴会更严重。

时序大模型这一节，我的最终判断

一句话：把它当成一个"省数据的预训练特征提取器"，它是有价值的工具；把它当成"能预测股价的黑箱"，你会亏钱。

第②层和第⑤层：几个真正被低估的东西

前面把图模型和订单簿讲透了，也把基础模型的账算清了。这一节我补几个很少被讨论但实盘价值很高的模型族。

直接优化夏普比：绕过预测这一步

这是我个人认为最被低估的一类思路。

正常流程是两步走：先预测收益 → 再根据预测构建组合。 问题在于这两步的目标不一致。你的模型在优化预测误差，但你的钱在乎的是夏普比。 这两个目标经常打架。

牛津那批人（Zhang、Zohren、Roberts）2020 年做的 Deep Learning for Portfolio Optimization 干脆把预测这一步删了：网络直接输出组合权重，损失函数就是夏普比的负数。

他们的做法很务实——不选个股，直接交易各大类资产的 ETF。 论文里给的理由是：不同资产类别的指数之间相关性稳健，交易它们大幅缩小了可选资产的范围。

测试期是 2011 年到 2020 年 4 月底，包含了 2020 年一季度的市场动荡。而且他们做了敏感度分析，并且在不同成本率和不同风险水平下测了表现。

这个思路为什么重要？ 因为它在结构上消除了一个巨大的失配。当你的损失函数就是你真正关心的目标时，你就不需要祈祷"预测更准会带来更高夏普"这件事成立——而它经常不成立。

深度动量：一个把成本写进训练的漂亮例子

同一批人 2019 年的 Deep Momentum Networks。

背景：时序动量（trend following）是 CTA 行业的立身之本，但传统做法要人工指定两样东西——用什么估计趋势，以及仓位怎么定。

他们的做法是让网络同时学这两件事，并且直接以夏普比为优化目标。

结果：在 88 个连续期货合约上回测，不计交易成本时，夏普优化的 LSTM 把传统方法提升了两倍以上；计入 2–3 个基点的成本后仍然占优。

注意这个"2–3 个基点"。 这才是负责任的报告方式——不是给一个无成本的漂亮数字了事，而是明确告诉你优势在多大的成本下会消失。

更值得学的是他们的下一个动作：为了适应流动性更差的资产，他们加了一个换手率正则项，让网络在训练时就把成本考虑进去。

这就是产业级和学术级思维的分界线。 学术做法是先训模型再抱怨成本太高；产业做法是把成本作为约束写进训练目标，让模型自己学会"这个信号虽然对，但不值得为它付这么多手续费"。

他们后来的 Momentum Transformer（2021）在这条线上又走了一步：注意力机制让模型能直接连到所有历史时刻，在计入交易成本后表现更好，而且能自然适应新的市场状态（论文特别提到 2020 年疫情期间）。多头注意力可以捕捉不同时间尺度上并发的市场状态。而且它本身是可解释的——你能看出哪些因子在什么时候重要。

时空动量：一个"简单打败复杂"的案例

2023 年 Spatio-Temporal Momentum 这篇的结论特别值得放进来。

他们把时序动量和截面动量统一起来（前者是"这个资产自己在涨吗"，后者是"这个资产比别人涨得多吗"），然后用不同复杂度的神经网络去建模。

结论是：一个只有单个全连接层的简单网络，就能同时为组合里所有资产生成交易信号。

在 46 只活跃美股和 12 个股指期货上回测，在高达 5–10 个基点的交易成本下仍然保持对基准的优势。 而且他们发现：配上 LASSO（绝对值收缩）和换手率正则化后，在各种成本情景下表现最好。

一个单层网络，加上正确的正则化，在 10 个基点的成本下还能打。 这个结果比任何"我们用了 XX 层 Transformer"都更有说服力。

Deep Hedging：深度学习在金融里最扎实的落地

2018 年 Bühler、Gonon、Teichmann、Wood 的 Deep Hedging。作者里 Ben Wood 是 JP Morgan 系的，这不是纯学术玩具。

它解决的问题非常具体：在有交易成本、市场冲击、流动性约束、风险限额的真实环境下，怎么对冲一个衍生品组合。

传统的 Black-Scholes delta 对冲假设无摩擦、连续交易。真实世界里这些假设全都不成立。Deep Hedging 的做法是把对冲当成一个序列决策问题，用强化学习去解，而且能处理凸风险度量这类非线性的目标函数。

为什么这一类工作最容易落地？ 因为它的成功标准是明确的、可测的——对冲误差降低了多少。 不像收益预测那样，你永远搞不清是模型有本事还是运气好。

后续这条线一直在往产业方向走：把市场冲击建进去、用二阶优化加速训练、加不确定性量化（这篇的动机写得很实在：深度对冲给出的对冲比率没有任何置信度度量，这是落地的重大障碍）。

"我不知道我什么时候不知道"，这是所有黑箱模型在实盘里最危险的地方。

那些学术很热、金融证据很薄的

我把这些放在一起说，是为了给你一个坐标：

• Mamba / 状态空间模型：2024 年后一堆 FinMamba、Graph-Mamba、MaGNet 之类的工作。理论上很吸引人（线性复杂度处理长序列），但我没有找到任何顶级机构实盘使用的公开证据。而且金融序列本来就不长——你要几千步的上下文干什么？
• KAN（Kolmogorov-Arnold 网络）：2024 年火过一阵，有做 VIX 预测、做股票预测的。有意思的一点是有篇 2024 年的工作把 KAN 和 gMLP 混起来做大规模金融表格数据，标题叫 Beyond Tree Models——这个标题本身就说明了树模型在这个领域是那座要翻的山。
• PatchTST / iTransformer / N-BEATS：在通用时序基准上都很强。但注意 2022 年那篇《Transformer 对时序预测真的有效吗？》——它用一个简单的线性模型打败了一堆 Transformer。这篇论文在通用时序领域引发的反思，在金融领域应该加倍适用，因为金融的信噪比更低。
• TabNet：Qlib 榜单上 Alpha360 亏 3.69%，Alpha158 上 2.27%（倒数）。但九坤赛第一名的方案里它是融合成分之一。说明它作为集成的多样性来源有价值，单独用不行。

一条时间线：产业到底按什么顺序采纳这些东西

这张图在说什么：把前面所有证据按年份排开。你会看到一个很清楚的模式——

紫色（微观结构）和青绿（决策执行）出现得最早、最密集。 Hawkes 过程、队列反应模型、Sirignano 的空间网络、DeepLOB、Deep Hedging——这些都是 2013–2018 年间的事，而且都有真实数据支撑。

红色（图模型）来得晚，2018 年 RSR 才把图卷积引入选股，2021 年 HIST/IGMTF 登顶 Qlib。

紫红色（时序基础模型）最晚，2023 年才开始。 而紧跟着它的三个红点全是负结果：2024 年"删掉 LLM 效果更好"、2026 年"TimesFM 测不出方向性能力"、2026 年"43 个模型实测，通用榜强≠金融有用"。

这个时间顺序本身就是答案。 一项技术从提出到在实盘站住脚，通常要五到十年，而且必须在这期间通过"扣掉成本还赚钱"的检验。时序基础模型现在才三年，它还没走完这段路，而目前的中间结果并不乐观。

顺便说一句：2020 年微软开源 Qlib 这件事，长期价值可能被低估了。它给这个高度封闭的行业提供了一个统一、可复现的公开评测基准。在此之前，各说各话是常态。

机构真实在做什么：能查到的和查不到的

这一节我要特别小心，因为这是全篇最容易编故事的地方。 我只写有公开出处的，查不到的我就说查不到。

Man AHL：有明确时间点的机器学习实盘

Man AHL 是 1987 年成立的系统化交易公司（趋势跟踪起家），是 Man Group 旗下的量化引擎。有一份 Pure Storage 的客户案例研究里，有几个很具体的事实：

• "机器学习技术是量化投资策略中一个不断演进的领域，Man AHL 自 2014 年起就在客户项目中积极应用这些技术。" —— 这是一个有明确年份的、机构自己承认的实盘时间点
• 团队构成：约 50 名量化研究员，加上 60 多名技术人员，后者既开发量化研究平台，也负责把量化想法转成能被计算机执行的交易策略
• 案例研究里 Man Group Alpha Technology 的 CTO 说："在开发交易模型时，我们需要看大量数据来做实验，筛选各种可能赚钱的想法。只有那些我们有足够信心的模型，才会被放到生产交易环境里。"
• 换存储后的收益是研究迭代速度：某位研究员的 Spark 工作负载吞吐提升了 10 到 20 倍

我为什么要引用一份存储厂商的案例研究？ 因为这类文档有个特点：它是为了卖硬件写的，所以里面关于业务流程的描述往往比公关稿更实在。 那个"50 个 quant 配 60 多个技术人员"的比例，比任何"我们重视技术"的表态都有信息量——在顶级量化机构里，工程人员比研究员还多。

这也间接回答了一个常见困惑：为什么学术论文里的好模型很难在机构复现价值？ 因为机构的瓶颈从来不是"想不出模型"，而是数据基建、回测保真度、迭代速度、上线流程。一个研究员一天能试 5 个想法还是 50 个想法，这个差距比模型架构的差距大得多。

Two Sigma：公开的是"状态识别"，不是阿尔法

Two Sigma 在自己官网上公开发表过一篇用**高斯混合模型（GMM）**做市场状态建模的研究，套在他们的 Two Sigma Factor Lens（一套 18 个系统性因子的框架）上，识别出四种不同的市场状态。

注意他们公开的是什么：风险分析和状态识别工具，面向资产配置者。

注意他们没公开什么：任何一条真实在跑的阿尔法信号。

这个取舍是整个行业的通例，也是你阅读所有机构公开材料时应该带着的默认假设：机构公开的都是"能公开的那一层"——通常是风险模型、状态识别、基础设施、开源工具。真正赚钱的信号，一条都不会公开。

所以当你看到某个基金发论文说"我们这个方法很好"，合理的推断不是"他们在用这个"，而是**"这个已经不是他们最好的东西了"**。

Oxford-Man 研究院：一条有意思的通道

前面反复出现的 Zohren、Roberts、Zhang、Lim、Wood（Kieran）这批人，主要挂靠牛津大学 Oxford-Man 量化金融研究院——这个机构和 Man Group 有深度关联。

这解释了为什么他们的论文比一般学术论文更"产业味"：会算 2–3 个基点的成本、会加换手率正则、会关心 IPU 硬件加速、会明确说"在 5–10 个基点成本下仍然有效"。

这批论文是我在全文里引用最多的，因为它们是"学术严谨性"和"产业现实感"结合得最好的一批公开材料。 如果你只想读一批人的工作，我推荐从这里开始。

我查不到的部分，我直接说查不到

• Jane Street、Citadel Securities、HRT、XTX、Tower、Optiver 内部到底用什么架构：查不到。这些机构不发这类论文。他们办 Kaggle 比赛（这是我们能拿到的最好的间接证据），但那是他们愿意公开的那部分问题
• 国内头部私募（幻方、九坤、明汯等）的具体模型：查不到。九坤办过 Kaggle 赛，这是难得的窗口，但同理，那是他们愿意公开的部分
• 任何"某基金用 GAT 实盘赚了多少"的具体数字：查不到，而且如果你在网上看到有人给出这种数字，大概率是编的

这一节的诚实程度，是我判断一篇量化文章可信度的主要标准。 凡是能把各家基金内部模型讲得头头是道的文章，基本可以直接关掉。

八个我认为必须想清楚的问题

这一节是我个人的判断，不是论文结论。我会明确标出来。

一、为什么图模型在这个行业里"讲得通"？

因为它的结构假设对上了一个真实机制。股票之间真的会传导 —— 上游涨了下游会跟，同概念的票会共振，指数成分会被一起买卖。这不是模型的想象，是市场的事实。

对比一下那些讲不通的：Mamba 的卖点是高效处理超长序列，但日频股票你要几千步上下文干什么？架构优势和问题特性没对上，自然就没有超额收益。

我的判断：一个模型能不能在实盘活下来，取决于它的归纳偏置（inductive bias）是否对应了市场的某个真实结构，而不取决于它在通用基准上排第几。

二、为什么 Transformer 在 Alpha360 上会亏钱？

这个我给一个解释框架，但要注意这是我的推断，不是论文结论：

注意力机制的本质是"从长序列里找到最该关注的部分"。这在语言里极其有效，因为语言的长程依赖是真实且强的（一个代词可能指向三段之前的名词）。

但日频股票的量价序列里，长程依赖非常弱，而噪声极强。给一个高容量的注意力模型一堆噪声去自由地"找关联"，它一定能找到——找出来的全是过拟合。

而九坤赛第三名的 Transformer 就成功了，因为他把注意力放在股票维度而不是时间维度——那个维度上的关联是真实存在的。同一个架构，用在对的维度上就活，用在错的维度上就死。

三、扣掉成本，还剩多少？

这是我最想让读者带走的一个习惯。TLOB 那篇的实验值得反复看：用平均买卖价差来定义趋势之后，性能显著恶化。

任何不报告成本敏感性的收益数字，我建议默认按无效处理。

反过来，那些明确说了"在 2–3 个基点下仍有效"、"在 5–10 个基点下仍有效"的工作，可信度立刻高一个档次——因为作者显然知道这个数字是会被这么审的。

四、市场在变得更有效，这件事怎么办？

TLOB 实证了可预测性随时间衰减，F1 掉了 6.68。另有 2026 年的工作在讨论"alpha decay"。

我的判断：这不是可以靠换模型解决的问题，这是这个行业的结构性现实。所以真正可持续的竞争优势不在"我有一个更好的模型"，而在：

• 数据优势（别人没有的数据）
• 速度优势（同样的信号你先执行）
• 成本优势（同样的信号你的成本更低所以你还有利润）
• 迭代速度优势（别人的信号衰减了要三个月找新的，你三周）

注意最后一条正好对应 Man AHL 那个"50 quant + 60 技术"的配置，以及"Spark 吞吐提升 10–20 倍"的收益。这不是巧合。

五、"模型强"和"能上规模"是两件事

学术论文追求 IC 和夏普，但真实资金还要问：容量多大？ 一个在小盘股上 IC 0.08 的信号，可能只能承载两个亿。规模上去后你自己的交易就把阿尔法冲掉了。

Optiver 冠军方案用 KNN 聚合特征而不是 GNN，除了简单，还有一个实战理由：可解释、可监控、出问题能定位。 一个跑在几十亿资金上的模型，"出问题时我能不能三分钟内知道为什么"是硬需求。

六、交叉验证做错了，后面全是白干

八场比赛的冠军几乎人人在用 purged/embargo 交叉验证。这不是学术洁癖，这是血泪教训。

我给个具体的判断标准：如果一个模型的验证集表现明显好于合理预期（比如日频股票 IC 突然到 0.15），第一反应必须是查泄漏，而不是庆祝。 在这个行业里，好得不真实的结果，基本上就是不真实的。

七、集成不是懒惰，是对不确定性的正确态度

八场比赛的冠军几乎全在做融合，还要多种子取平均。为什么？

因为在信噪比这么低的场景里，单个模型的表现里有相当大一部分是随机性。 多种子平均降的是方差，多模型融合降的是模型选择风险。

这也是为什么 Qlib 榜单坚持跑 20 个种子的意义。 你去看它的标准差列，很多模型的年化收益标准差有 2–3 个百分点——这意味着单次跑出来的结果，可以差出一个"这模型很棒"和"这模型不行"的距离。

八、时序基础模型这件事，我的最终立场

我不认为它是骗局，也不认为它会颠覆量化。我认为它会在一个特定生态位上稳定存在：作为样本稀缺场景下的预训练特征提取器。

理由是那个"少要 3–10 年数据"的结果是真实的、可复现的、有明确商业价值的。而"零样本预测股价方向"这条路，目前的公开证据是清晰的否定。

如果你现在要在机构内部立项，我会建议这么定位：不要立"用大模型预测收益"的项目，要立"用预训练模型解决新品种冷启动"的项目。 后者能交付，前者大概率交付不了。

而且要提前跟老板说清楚一件事：它不会替换掉你现有那些已经调好的专用模型——那篇 TTM 论文里三个任务有两个是传统专用模型追平或胜出。它是给你"还没有专用模型的那些地方"用的。

如果你要动手：一份我自己会用的检查清单

这一节完全是操作性的。如果你要在真实资金上跑这些模型，我建议按这个顺序检查。

第一步：先看你的输入形态，再选模型

• 输入是人工设计好的因子表（每行一个股票-日期，列是特征）？→ 先跑 LightGBM。 这是基线，也可能就是终点。Qlib 榜单上 Alpha158 的前三名是 DoubleEnsemble（树）、LightGBM、MLP
• 输入是原始量价序列？→ 这时候序列结构模型才有意义。GRU 起步，然后试 GATs / HIST 这类能建模截面关系的
• 输入是订单簿快照？→ DeepLOB 系的 CNN+LSTM 是经过真实数据验证的起点
• 别跳过基线。 我见过太多项目直接上最花哨的架构，跑了三个月才发现打不过 LightGBM

第二步：把交叉验证做对，这一步做错后面全废

• 必须用 purged + embargo 的时序交叉验证
• 间隔（gap）要大于你标签的预测期限。标签是未来 5 天收益，间隔至少 5 天，Jane Street 冠军用的是 31 天
• 绝对不要用随机 K 折
• 验证集表现好得离谱时，先查泄漏

第三步：建立诚实的基线，尤其是"什么都不做"

这条是从那篇 TimesFM 论文学来的，我认为极其重要：

• 永远猜涨（在上涨市场里这条能到 70%）
• 随机漫步、持续性（用上一期值当预测）、AR(1)
• 你的模型必须打赢这些，打赢一个弱神经网络不算什么

第四步：把成本写进目标函数，不是事后再算

• 训练时就加换手率正则（深度动量那篇的做法）
• 报告结果时给成本敏感性曲线：0bp / 2bp / 5bp / 10bp 各是什么表现
• 用买卖价差来定义你的标签阈值（TLOB 的做法）——涨幅小于价差的，根本不该算成信号

第五步：多种子，多模型

• 至少 5–10 个随机种子，报告均值和标准差
• 单次结果不要当结论看
• 融合树模型和神经网络，它们的错误模式不一样

第六步：问容量问题

• 这个信号在多大资金上还成立？
• 换手率多少？年化换手 20 倍的信号，成本会吃掉一切
• 集中在小盘股上的阿尔法，通常上不了规模

第七步：问"我什么时候会不知道"

• 模型给出预测时，有置信度吗？（这正是"不确定性感知深度对冲"那篇要解决的问题）
• 市场状态切换时，模型会怎么表现？
• 出问题时，你能在多久内定位到原因？

冷静清单：这篇报告的边界

我把自己的局限也列出来，这是我认为一篇负责任的报告必须做的。

关于证据强度的分级，我在文中尽量做了区分，这里明确一下：

具体的局限：

• Qlib 榜单是回测，不是实盘。 没有真实成交冲击、没有容量约束、没有借券成本。官方自己声明了实现和调参资源有限
• Qlib 榜单只覆盖单一市场（A 股）、单一频率（日频）、主要是 CSI300 池。 CSI500 的结果不完整。换市场结论可能变
• Kaggle 竞赛和实盘有本质区别：可反复提交试探测试集、无成本、无容量约束
• 我无法获取任何机构的内部模型信息。 全文所有关于机构的陈述，都限于公开可查的材料
• 本文没有做任何独立的实证复现。 所有数字都来自引用源，我没有自己跑过这些模型
• 图表说明：本文八张图全部是我根据引用源的数据自绘。Qlib 那两张的每个数字都来自官方 README；时间线和分层图是我对证据的归纳与整理，其中的分类和判断包含我的主观取舍
• 时序基础模型这个领域进展极快。 本文引用的最新证据到 2026 年 8 月，半年后结论可能需要更新

一个必须说明的口径问题：本文出现的 IC 数字来自不同场景，互相之间不可直接比较。Qlib 榜单是 A 股日频截面 IC，AQuA 论文的 0.19 是加密货币 5 分钟组合信号 IC。把它们放在一起排名是错的，我在文中只把它们用于建立数量级直觉。

结尾：我真正想说的一件事

写到这里，我想把这篇报告压缩成一句话。

这个行业里，模型的价值不来自它有多复杂，而来自它的结构假设是否对上了市场的某个真实机制。

• 图模型赢，因为股票之间真的会传导
• DeepLOB 赢，因为订单簿真的有空间结构
• Hawkes 过程能活四十年，因为订单流真的会聚集
• 直接优化夏普比的网络有价值，因为你真正在乎的确实是夏普比而不是 MSE
• Deep Hedging 能落地，因为对冲误差真的可以被清晰地衡量

而那些主要靠"更大、更深、更新"的东西，在这个信噪比极低、成本极高、且竞争对手都在同时变聪明的市场里，通常撑不过成本这道关。

时序基础模型现在正站在这道关前面。它在"省数据"这件事上已经交出了真实的成绩；在"预测股价方向"这件事上，目前的公开证据是清楚的否定。这两件事都可能变，但今天要下注，我知道该往哪边下。

最后留一个我自己常用的自省问题，送给正在做这件事的你：

如果我的模型明天失效了，我能不能在一周内说清它为什么失效？

如果答案是不能，那么它今天赚钱，很可能只是运气好而已。

参考文献与出处

基准与榜单

• Qlib 官方基准榜单 — 本文所有 Alpha158/Alpha360 数字的唯一来源，每个数字为 20 次不同随机种子的均值±标准差：https://github.com/microsoft/qlib/blob/main/examples/benchmarks/README.md
• Qlib 主仓库：https://github.com/microsoft/qlib
• GIFT-Eval：通用时序预测基准，23 个数据集、14.4 万条序列、1.77 亿数据点，分析了 17 个基线 — https://arxiv.org/abs/2410.10393
• fev-bench：强调多变量与协变量场景的时序基准 — https://arxiv.org/abs/2509.26468
• FinVerse：金融领域时序基准，11.69 万条序列、1.711 亿观测，11 个指标族 78 个指标，实测 43 个基础模型 — https://arxiv.org/abs/2608.03259

图模型 / 截面关系

• GAT（图注意力网络），Veličković 等，2017 — Qlib 榜单中 GATs 的原始架构：https://arxiv.org/abs/1710.10903
• HIST：概念导向共享信息的图框架，Qlib Alpha360 榜首 — https://arxiv.org/abs/2110.13716
• RSR / 时序关系排序（Feng 等，2018）：把图卷积引入股票排序，提出 Temporal Graph Convolution — https://arxiv.org/abs/1809.09441
• 图 Transformer 做多元已实现波动率预测（约 500 只标普成分股）— https://arxiv.org/abs/2112.09015
• 前后领先关系检测与网络聚类（美股市场）— https://arxiv.org/abs/2201.08283
• 跨资产类别的网络动量 — https://arxiv.org/abs/2308.11294

订单簿 / 微观结构

• Deep Learning for Limit Order Books（Sirignano，2016）：空间神经网络，近 500 只股票，50 GPU 集群 — https://arxiv.org/abs/1601.01987
• Universal features of price formation（Sirignano & Cont，2018）：数十亿条报价，普适模型超过个股专用模型 — https://arxiv.org/abs/1803.06917
• DeepLOB（Zhang、Zohren、Roberts，2018）：CNN+LSTM，伦交所一年真实报价，跨品种可迁移 — https://arxiv.org/abs/1808.03668
• 多期限订单簿预测 + IPU 硬件加速（Zhang & Zohren，2021）— https://arxiv.org/abs/2105.10430
• TLOB（2025）：简单 MLP 即超 SOTA；可预测性随时间衰减 F1 -6.68；用价差定义趋势后性能显著恶化 — https://arxiv.org/abs/2502.15757
• 队列反应模型（Huang、Lehalle、Rosenbaum，2013）— https://arxiv.org/abs/1312.0563
• 订单流的队列反应 Hawkes 模型 — https://arxiv.org/abs/1901.08938
• Transformers for Limit Order Books — https://arxiv.org/abs/2003.00130

时序基础模型（含关键负结果）

• TimesFM（Google）：解码器结构时序基础模型 — https://arxiv.org/abs/2310.10688
• Chronos（Amazon）：把时序量化成词表，用语言模型架构训练 — https://arxiv.org/abs/2403.07815
• Chronos-2：支持多变量与协变量的零样本预测 — https://arxiv.org/abs/2510.15821
• Moirai（Salesforce）：LOTSA 语料，超 270 亿观测点，横跨九个领域 — https://arxiv.org/abs/2402.02592
• Tiny Time Mixers (TTM)（IBM）— https://arxiv.org/abs/2401.03955
• Toto 2.0：时序基础模型的规模化研究 — https://arxiv.org/abs/2605.20119
• ⚠️ 关键负结果：TimesFM + LoRA 股票实测（2026）：基准率陷阱、任何期限测不出方向性超额能力、分行业微调显著更差（DM 检验 p<0.001）— https://arxiv.org/abs/2607.12248
• ⚠️ 关键负结果：语言模型对时序预测真的有用吗？（2024）：删掉 LLM 部件效果不降反升 — https://arxiv.org/abs/2406.16964
• TSFM 在多元金融时序上的评估（2025）：TTM 少要 3–10 年数据，零样本超朴素基线 — https://arxiv.org/abs/2507.07296
• 用 Chronos-2 做多元金融预测（2026）：多变量优于单变量，但混入无关市场反而变差 — https://arxiv.org/abs/2605.21504
• FinCast：金融领域专用基础模型 — https://arxiv.org/abs/2508.19609
• ⚠️ 通用时序架构的反思：Transformer 对时序预测真的有效吗？（2022）：简单线性模型打败一堆 Transformer — https://arxiv.org/abs/2205.13504

端到端决策 / 成本感知

• Deep Hedging（Bühler、Gonon、Teichmann、Wood，2018）— https://arxiv.org/abs/1802.03042
• 不确定性感知的深度对冲（2026）：明确指出缺少置信度是落地的重大障碍 — https://arxiv.org/abs/2603.10137
• 深度对冲 + 市场冲击 — https://arxiv.org/abs/2402.13326
• Deep Momentum Networks（2019）：88 个期货合约，无成本时提升两倍以上，2–3bp 下仍占优，换手率正则 — https://arxiv.org/abs/1904.04912
• Momentum Transformer（2021）：计入成本后表现更好，自然适应新市场状态，本身可解释 — https://arxiv.org/abs/2112.08534
• Spatio-Temporal Momentum（2023）：单层网络在 5–10bp 成本下仍占优 — https://arxiv.org/abs/2302.10175
• Deep Learning for Portfolio Optimization（2020）：直接优化夏普比，测试期含 2020 年一季度 — https://arxiv.org/abs/2005.13665
• Deep Reinforcement Learning for Trading（2019）：50 个最活跃期货合约，2011–2019 — https://arxiv.org/abs/1911.10107

表格数据上的树模型 vs 深度学习

• Neural Oblivious Decision Ensembles (NODE)：明确指出没有充分证据表明深度学习能超过 GBDT — https://arxiv.org/abs/1909.06312
• Tabular Data: Is Deep Learning all you need? — https://arxiv.org/abs/2402.03970
• 跨多样表格数据集的机器与深度学习综合基准 — https://arxiv.org/abs/2408.14817
• Beyond Tree Models：KAN + gMLP 用于大规模金融表格数据 — https://arxiv.org/abs/2412.02097

机构自办竞赛（冠军方案）

• Kaggle 金融竞赛方案汇总（本文竞赛部分细节的主要来源）：https://zizouhe.github.io/reading-notes/notes/kaggle-fin.html
• Jane Street Market Prediction：https://www.kaggle.com/competitions/jane-street-market-prediction
• Jane Street Real-Time Market Data Forecasting：https://www.kaggle.com/competitions/jane-street-real-time-market-data-forecasting
• Optiver Realized Volatility Prediction：https://www.kaggle.com/competitions/optiver-realized-volatility-prediction
• Optiver Trading at the Close：https://www.kaggle.com/competitions/optiver-trading-at-the-close
• Ubiquant（九坤）Market Prediction：https://www.kaggle.com/competitions/ubiquant-market-prediction
• G-Research Crypto Forecasting：https://www.kaggle.com/competitions/g-research-crypto-forecasting

机构公开材料

• Man AHL 案例研究（含"自 2014 年起在客户项目中应用机器学习"、约 50 名 quant + 60 余名技术人员、Spark 吞吐提升 10–20 倍）：https://www.everpuredata.com/content/dam/pdf/en/case-studies/cs-man-ahl.pdf
• Man AHL 官方介绍：https://www.man.com/ahl
• Man Group 机器学习入门：https://www.man.com/insights/intro-machine-learning
• Two Sigma：用机器学习做市场状态建模（高斯混合模型 + 因子框架）：https://www.twosigma.com/articles/a-machine-learning-approach-to-regime-modeling/

方法论必读

• Marcos López de Prado，《Advances in Financial Machine Learning》 — Purged / Embargo 交叉验证、组合净化交叉验证的出处。本文提到的八场竞赛冠军几乎人人在用这套方法
• Time Series Forecasting With Deep Learning: A Survey（Lim & Zohren，2020）— https://arxiv.org/abs/2004.13408
• Temporal Fusion Transformers（Lim 等，Qlib 榜单中 TFT 的原始架构）— https://arxiv.org/abs/1912.09363

本文所有数字均来自上述公开来源，未做任何独立复现。文中标注"我的判断"的部分为作者观点，不构成投资建议。