EXAONE Forecast for Finance：面向金融预测的无注意力时序基础模型

金融市场的时序预测长期面临高噪声、强非平稳、多变量与缺失数据普遍存在的复杂性。通用时序基础模型（TSFM）虽然在大规模预训练下展现了不俗的零样本能力，但其底层架构与预训练语料却未必适配金融场景的特殊结构——例如样本长度长、通道数量多、观测间断等问题。在这样的大背景下，LG AI Research 团队提出 EXAONE Forecast for Finance（EXAONE Finance），一个专门为金融预测设计的时序基础模型，全面转向无注意力机制架构，并在多资产类别的金融预测基准上取得了领先表现。

论文与事件概述

该论文来源于 arXiv（编号 2609.04239），作者包括 Seunghan Lee、Jaehoon Lee、Jun Seo 等 12 位研究者，属于 cs.AI 与 cs.LG 交叉领域。文章本身是一份技术报告，正式提交时间为 2026 年 4 月 8 日。

EXAONE Finance 的核心出发点非常明确：解决现有通用 TSFM 在金融领域落地的三大痛点——计算复杂度随序列长度与变量数量平方增长、默认输入完全观测、预训练语料过于通用而缺乏金融市场独特动态。研究团队为此重构了模型的整体架构与训练策略，从工程和算法两个维度打造面向金融数据的基础模型。

该工作的成果同样醒目：在 FinVerse 金融预测基准上，EXAONE Finance 在所有三个评测层级都拿到第一——点预测准确率、截面资产排序、组合盈利能力。这意味着它不仅是预测误差低，还能在资产对比、优选和组合构建场景中直接产生可用价值。论文未提供参数量、训练成本等具体信息。

关键技术点

1. 注意力自由的骨干架构：线性时间算子设计

通用 TSFM 多基于自注意力机制进行特征抽取，但自注意力复杂度随序列长度与变量数量呈平方增长。在金融场景下，长序列和大量标的（渠道）是常态，计算易成为瓶颈。

EXAONE Finance 选择完全的 attention-free 架构，用两类简单且有效的线性时间算子取而代之：

算子 负责维度 作用
因果 1D 卷积 时间混合（Temporal Mixing） 沿时间轴提取局部与同期依赖模式
群感知池化 MLP 变量混合（Variate Mixing） 对不同金融变量进行信息聚合与跨变量特征学习

该设计的直接优势是将计算复杂度降至线性，同时保持了时序建模和信息交互的结构归纳偏置。这在面对长面板数据、几百上千个变量同时输入时尤为珍贵。

2. 掩码上下文增强（Masked Context Augmentation）

金融数据中缺失观测是常态：停牌、流动不足、数据延迟、汇总统计周期不同都可导致数据不连续。许多 TSFM 假设输入完全可观测，这在实际金融环境中几乎无法成立。

为此，研究者在训练阶段对输入施加连续缺失区间掩码，迫使模型面对不完整上下文也能稳定预测。这项数据增强方法提升了模型对金融数据中普遍缺失模式的抗噪能力，也让模型在下游任务里不必依赖“输入完整”这一理想化前提。具体的掩码比例、策略与采样方式原文未交代。

3. 覆盖全谱系的大规模金融预训练语料

预训练语料的质量和覆盖面直接决定基础模型的下游赋能上限。EXAONE Finance 使用的语料库极具广度，不仅包含常见的股票数据，还覆盖了：

  • 外汇
  • 大宗商品
  • 加密资产
  • 固定收益
  • 宏观指标

4. FinVerse 多层级评估基准

FinVerse 是一个涵盖多元资产类别的标准金融预测基准，EXAONE Finance 在其中摘得三项第一：

  • 点预测准确率：衡量基础预测质量
  • 截面资产排序：验证跨资产相对强弱判断能力
  • 组合盈利能力：检验模型收益用于资产配置时的实际效果

与通用基准只关注预测误差不同，这种多层级评测更贴近量化投研的完整生态链。

对数据科学和 AI Agent 落地的意义

这项工作的现实意义可以从多个方向观察。

时序基础模型走向领域纵深的范例。 EXAONE Finance 最值得做的不是把通用模型拿来金融数据上“再训练一下”，而是从金融数据的结构出发重构架构与训练策略。模型只有真正匹配数据本身的数学特征与物理语义，才能走出实验室适配现实应用。这一方法论对于医疗时序、工业传感、能耗预测等领域也都有参考价值。

金融数据科学基础设施的降低成本。 金融预测长期以来依赖人工特征工程与复杂的多模型体系。EXAONE Finance 这类领域基础模型如果能够通过预训练+微调的模式替代部分传统管线，小团队和小机构就可以在不拥有大规模数据和算力的前提下获得较强的预测能力，进一步拉平金融科技领域的能力差距。

AI Agent 在金融场景的感知底座增强。 若将 AI Agent 引入投资研究或组合管理，其高质量决策的前提是高质量的环境感知。EXAONE Finance 作为一个能够处理带缺失、长序列、多资产面板数据的持续预测引擎，相当于给 Agent 提供了一个可靠的金融环境量测接口。预测结果可作为 reward 函数设计、状态表征或环境约束的重要组件。

从预测走向决策闭环的示范。 EXAONE Finance 在 FinVerse 的评测不只是看预测误差，还包括资产排序和组合绩效。这种评测方式意味着它在设计之初就考虑了决策链路的末端效果，而不仅仅是追求统计指标的最优。

我的技术点评

从技术品味上来说，EXAONE Finance 是一个非常清晰的“以问题为中心”的研究。作者没有追逐更大的 attention 模型或更复杂的架构，而是在金融场景特有的长序列、多数列、高缺失数据的上下文里，重新选择了最基本的计算原语，然后用大规模语料和任务适配去将其打磨到极致。

有一点我认为特别值得肯定：用因果卷积做时间混合，在金融这样的非平稳、带趋势且可能存在局部结构突变的时序中，反而比全局注意力具有更稳健的归纳偏置。这在若干传统时序研究中也得到过验证。

当然也需要保持审慎。摘要中并未披露 FinVerse 上与第二名之间的具体差距。金融市场表现既有 Alpha 也有 Beta，预训练语料的覆盖面可以证明数据广度，但数据时间跨度、频率层级、不同市场制度的经济体覆盖情况都没有明确提及。再者，“零样本表现是否在真实验证集上取得”与“是否经过任何形式的任务导向后训练”之间的区别，也可能影响实践评估。好在这是一份 technical report，更多实验细节可参阅论文正文或后续官方开放资源。

综合来看，EXAONE Finance 在架构、数据与评测这三个维度都做出了实打实的创新，特别是其“无注意力+缺失感知+全资产覆盖”的组合，很可能代表了金融时序基础模型的新方向。

原文链接