金融时间序列预测难题咋解？新方法准确率提升13.48%

论文链接：

“ 金融时间序列预测具有高度重要性与挑战性。传统方法通常对时间序列数据标准化后输入模型，导致关键信息丢失；且模型依赖固定变量数或回看窗口长度，限制了扩展性；此外，预测的可解释性与不确定性量化仍需深入研究。为解决这些问题，本文首先构建了多样化的金融图文数据集（FVLDB），并提出不确定性调整组相对策略优化（UARPO）方法，使模型不仅能输出预测结果，还能分析预测的不确定性。在此基础上，开发了基于UARPO微调的多模态预训练模型，支持对FVLDB金融时间序列的推理、预测与分析理解。实验表明，展现了强适应性与扩展性；经UARPO微调后，其在高置信组的预测准确率较GPT-4o提升约13.48%，验证了强化学习微调在多模态大模型（尤其是金融时间序列预测任务）中的有效性。”

01

背景

时间序列预测因广泛应用于交通、气象、能源、金融等领域而备受关注。其中，金融时间序列因受宏观/微观因素、多空博弈等复杂影响，具有适应性市场特性——历史模式一旦被交易者利用，便会失效，导致预测难度极高。

02

问题定义

本文旨在解决金融时序预测中的以下核心问题：

1. 传统时间序列处理中标准化导致的信息损失问题；

2. 模型对固定配置（如回看窗口、变量数量）的依赖导致的扩展性不足；

3. 大模型推理能力在时间序列任务中未充分利用的问题；

4. 预测结果的可解释性与不确定性量化缺失，影响实际应用可靠性。

03

方法

3.1 核心模型：

是基于多模态大模型（MLM）的金融时间序列预测模型，其整体流程如图所示。模型以30亿参数的多模态大模型（如Qwen2.5-VL-3B）为骨干，通过UARPO方法在FVLDB数据集上微调，支持显式考虑预测不确定性的推理与预测任务。

3.2 关键方法：UARPO

UARPO是对GRPO（组相对策略优化）的改进，通过引入组内相对优势（IGRA）、组间相对优势（CGRA）与不确定性调整（UARA），解决金融时间序列的非平稳性与不确定性问题。

3.2.1 优化目标

UARPO的优化目标：

其中pi_{theta}与pi_{}为当前与旧策略模型；q与o_i为从问题数据集与旧策略采样的问题与输出；A_{i, t}^{I}（组内相对优势）定义为：

其中r=

r_0, r_1, ..., r_G

为组内奖励；A_{t}^{S_{tau}}（组间相对优势）定义为：

其中s_{t}^{tau}为当前组在目标tau下的平均奖励，s_{t-1, t}^{tau}为近期窗口内多步奖励的集合；不确定性调整定义为：

其中alpha为可调系数，score为模型推理的置信度得分。

3.2.2 算法流程

UARPO的迭代过程如算法所示

3.3 奖励与不确定性设计

为引导模型学习，UARPO设计了以下奖励：

准确率奖励：衡量预测与真实涨跌结果的一致性；

完成长度奖励：鼓励推理文本长度扩展（≤200 时逐步增加奖励）；

格式奖励：约束模型学习目标输出格式；

置信度得分：模型基于输入与推理过程输出置信度，量化预测不确定性，支持风险评估。

04

实验

4.1 数据集：FVLDB

FVLDB是包含10,000+金融时间序列图文对的多样化数据集，涵盖全球股市指数、比特币等加密资产数据。其多样性体现在：资产类型（股票、加密货币等）；预测任务类别（价格、波动率等）；历史序列长度、频率、指标种类；图像风格（如K线图、技术指标图）。

4.2 实验设置

模型骨干：Qwen2.5-VL-3B（30亿参数）；

基线模型：原始Qwen2.5-VL-3B、Qwen2.5-VL-7B（70亿参数）、GPT-4o、GRPO微调的Qwen2.5-VL-3B、Naive模型（延续历史趋势）；

训练配置：Adam优化器（学习率1e-6），2轮微调；

硬件：2张80G A100 GPU。

4.3 实验结果

4.3.1 训练过程

UARPO微调过程中，格式奖励与完成长度奖励在训练早期快速上升并稳定，准确率奖励持续增长，损失值不断下降，表明模型有效学习了目标格式、推理深度与预测能力。

4.3.2 预测性能

下表展示了各模型在波动率与价格预测任务中的准确率对比：

（30亿参数）在波动率与价格预测的平均准确率上均超越更大参数模型（如GPT-4o、Qwen2.5-VL-7B），验证了UARPO微调的有效性。

4.3.3 置信度分组分析

下表显示了按置信度得分分组的预测准确率：

的高置信组准确率较GPT-4o提升约13.5%，且置信度与准确率呈强正相关，表明其不确定性量化可靠，支持更可信的金融决策。

4.3.4 微调趋势对比

在微调过程中的准确率增长趋势显著优于其他模型，进一步验证了UARPO的有效性。

预测 模型 UARPO 奖励 金融 时间序列