Abstract 摘要 点击小程序查看报告原文 大模型时序模型TSFM 近年来，以大规模语言模型（LLM）为代表的基础模型（Foundation Models, FMs）在自然语言处理（NLP）和计算机视觉（CV）领域取得了一定成功， 这启发了时序基础模型（Time-Series Foundation Models, TSFMs）的诞生，其核心理念是：通过在规模庞大、领域多样的时序数据语料库上进行预训练， 构建一个通用的、与任务无关的模型，该模型能够以少量甚至无需额外训练的方式，适应各种下游任务。 TSFM的根本优势在于其泛化能力和迁移学习能力。通过在大量时间点上进行学习，模型能够捕捉普适性的时间模式、趋势和季节性规律。这种零样本学 习的新模式可以让模型直接在训练期间从未见过的新任务或新数据集上进行推理应用，无需任何额外的参数调整。该特性在金融领域较为重要，当面对新 上市的金融工具或数据记录有限的新兴市场时，传统模型往往因数据稀疏而难以获得较好的训练效果。 由于金融时序数据具有低信噪比、强非平稳性等特征，通用时序基础模型在应用于金融预测时往往表现不佳。为了解决这一根本性的"领域错位"问题，清 华大学团队开发了 ...