Financial Numerical Prediction and Allocation as Token Generation
本文介绍了 FinATOM，这是一个统一的、无头部（head-free）的框架，它利用因果语言模型中的约束性标记生成（constrained token generation）来直接进行金融预测和动态资产配置，并证明了与传统的回归或排序方法相比，该框架在 ETF 和基于文本的投资任务中具有更高的风险调整收益。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
数字先知的全新声音
想象一个这样的世界：计算机不仅能阅读故事，还能进行数学运算、做出预测并决定如何支配资金，而且这一切都使用与我们聊天时相同的“语言”。这就是人工智能的领域，特别是被称为“大语言模型”（LLMs）的一种类型。可以将这些模型想象成超级聪明的鹦鹉，它们几乎读遍了互联网上的所有内容。它们非常擅长预测句子中的下一个词，就像是在接住朋友的笑话梗一样。但通常，当我们要求它们执行精确的任务时，比如预测股价或管理投资组合，我们必须在它们的脑部连接一个特殊的、独立的计算器（即“头部”）来处理数字。这就像是请一位诗人去解物理方程，却要递给她一个单独的算盘。
科学家们提出的重大问题是：诗人自己能做数学题吗？计算机能否学会直接“说”出数字，就像它说话一样，而不需要那个额外的计算器？这一点至关重要，因为如果一个大脑既能理解关于一家公司的商业新闻，又能立即决定对该公司的投资金额，那么整个过程就会变得更快、更简洁且更容易检查。这就像是一位厨师，在品尝汤的味道后，能瞬间知道该加多少盐，而不是先品尝，写下数字，然后再把纸条交给第二位厨师去加盐。
论文的故事：教机器人说“金钱语”
这篇论文介绍了一个名为 FinATOM 的新系统，它试图教语言模型仅使用其原生词汇来进行金融预测和资金管理。研究人员并没有附加一个特殊的计算器，而是让 AI 生成代表数字的“标记”（tokens，即文本块）。这仿佛 AI 正在学习一种秘密代码，其中单词“苹果”可能代表“5 美元”，而“香蕉”可能代表“10 美元”，从而使其能够像写故事一样写出其财务决策。
研究人员在两个主要任务上对其进行了测试。首先，他们要求 AI 预测未来三天的股价涨跌。其次，他们要求 AI 决定如何在五个不同的投资基金（ETF）之间分配资金。为了实现这一点，他们必须非常谨慎。他们使用了一位只知道“当前可见信息”的“老师”来教导 AI（就像只看汽车现在的时速表，而不知道一小时后车会在哪里）。这确保了 AI 不会接触到未来的答案。
他们的发现：
结果表明，这种“无头部”（head-free）的方法确实有效。当 AI 最初接受教学时（称为监督微调阶段），它表现得还算不错。但当他们让它通过一种特殊的训练方法（称为 DAPO-增强型 GRPO）进行练习并从错误中学习时，它的表现变得更好了。
- 对于投资任务： 当观察 2023 年至 2025 年的数据时，AI 的策略提高了其风险调整收益率（一个被称为夏普比率的得分），从 1.428 提升至 1.529。即使在计入微小的交易费用（每笔交易 5 个基点）后，该得分也从 1.394 提升到了 1.494。
- 对于股票预测任务： 在一个名为 FinTexTS 的特定数据集上，AI 的策略实现了 73.52% 的累计回报率和 2.68 的夏普比率。经过额外的练习后，这些数字略微上升至 73.72% 和 2.69。
论文还发现，当 AI 同时获得原始数字（如历史股价）和新闻报道（如经济报告）时，效果最好。在 2025 年，加入新闻使得表现有了巨大提升，相比于仅观察数字，性能显著增强。然而，在其他年份，仅靠数字本身也表现得几乎同样出色。
论文排除了什么：
作者谨慎地指出，这并不是解决所有金融问题的万灵药。他们明确排除了 AI 只是在“背诵答案”的可能性。他们检查了用于 2024 年和 2025 年测试的数据是在 AI 最初训练之后发生的，因此 AI 不可能只是“记住了”未来。他们还指出，AI 的进步并非通过增加交易频率实现的；事实上，交易次数几乎保持不变，这意味着进步来自于做出“更好的决策”，而非“更多的决策”。
他们的结论有多可靠？
论文表明这是一个非常有前景的概念验证，但并未将其称为普遍的胜利者。结果是基于针对五个基金和一组有限股票的具体测试。作者承认，虽然这种方法在模拟中有效，但我们尚不知道它是否能在每种市场状况下或使用每种类型的资产时都完美运行。他们将这些发现描述为“可行性”的证据——即这意味着它“可以”做到——而非保证它总是赚钱的最佳方式。在投资任务中，高级训练在 2024 年和 2025 年带来了明显的提升，但在 2023 年，这种高级训练并没有带来太大变化，这表明成功取决于具体的市场环境。
简而言之，FinATOM 展示了语言模型可以学会直接使用金融语言，将新闻和数字转化为投资决策，而无需配备单独的计算器。这是迈向“不仅会谈论钱，而且真正懂得如何管理钱”的 AI 的一小步，也是令人兴奋的一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。