本文提出将经典资本资产定价模型(CAPM)与贝叶斯不确定性分解结合,构建基础模型交易策略风险回报分析框架。通过该框架,利用蒙特卡洛 dropout 方法区分出由预训练基础模型引入的系统性(认知)风险和由微调引入的特有(属性)风险。实证中,基于不同预训练时序模型的策略在风险收益空间呈现高度聚集,通过剔除特有风险估计出基础模型理论最大夏普比率(即预训练市场线PML),并观察到模型随时间的alpha衰减趋势。研究揭示了基础模型交易策略中的系统性风险结构,对理解其风险溢价及市场动态具有重要意义
| 模型类别 | 模型名 | 基础夏普比率 SRθ | R² |
|---|---|---|---|
| 传统基线 | LSTM | 3.44 ± 0.59 | 0.30 |
| 传统基线 | ALSTM | 3.19 ± 0.39 | 0.47 |
| 传统基线 | MLP | 1.73 ± 0.37 | 0.23 |
| 传统基线 | SFM | 2.85 ± 0.71 | 0.17 |
| 传统基线 | GRU | 2.77 ± 0.65 | 0.19 |
| 预训练基础模型 | TimesFM-v2 | 3.87 ± 0.18 | 0.86 |
| 预训练基础模型 | Moirai | 3.39 ± 0.16 | 0.86 |
| 预训练基础模型 | Chronos | 3.31 ± 0.17 | 0.83 |
| 预训练基础模型 | Timer | 2.77 ± 0.16 | 0.80 |
| 预训练基础模型 | TTM | 2.41 ± 0.17 | 0.72 |
报告强调,基础模型可提升投资组合的夏普率上限,但同时也带来内在的“魔鬼式”风险(即共识与割裂带来的平衡挑战)。
内容梳理:
推理依据:
图表描述:
解读与联系:
经典CAPM与均值-方差优化(2.1 & 2.2)
CAPM风险拆分(Eqns)
贝叶斯视角下的不确定性拆分(2.3)
核心定义
框架假设
风险拆分与PML估计(3.3)
(a) 展示所有策略在平均每日收益(bps)与风险(收益标准差,bps)平面上的分布。
(b) 针对Chronos模型,展示不同参数规模对风险-收益的影响。
表2核心数据
| 模型分类 | 模型 | 基础夏普比率(SRθ) | 拟合优度(R²) |
|---|---|---|---|
| 传统基线 | LSTM | 3.44 ± 0.59 | 0.30 |
| ALSTM | 3.19 ± 0.39 | 0.47 | |
| MLP | 1.73 ± 0.37 | 0.23 | |
| SFM | 2.85 ± 0.71 | 0.17 | |
| GRU | 2.77 ± 0.65 | 0.19 | |
| 预训练基础模型 | TimesFM-v2 | 3.87 ± 0.18 | 0.86 |
| Moirai | 3.39 ± 0.16 | 0.86 | |
| Chronos | 3.31 ± 0.17 | 0.83 | |
| Timer | 2.77 ± 0.16 | 0.80 | |
| TTM | 2.41 ± 0.17 | 0.72 |
本报告核心聚焦于风险与收益的均值-方差估计和CAPM夏普比率形式的系统风险估计,非直接的企业估值分析,因此未涉及传统DCF或企业估值倍数法。报告以基础模型提供的策略收益与波动率为主体数据,通过统计回归(风险调整收益)估计“基础夏普比率”(Foundation Sharpe Ratio),相当于基于风险调整后的超额收益率回报率的估值指标。
PML理论为该“风险-收益定价”量化方法提供理论支撑,并利用贝叶斯不确定性量化划分风险内涵,实现了对交易策略有效边界的估值映射。从数据角度,估值基于高频期权数据,回测结果在传统资产和加密资产均有体现。
本研究原创性地将经典金融理论CAPM中的系统性与非系统性风险拆分,与机器学习领域的贝叶斯不确定性分类相结合,提出了“基础模型市场线”(Pretrained Market Line,PML)框架,系统分析基于同一预训练时序模型产生的多策略群体的风险收益特征。
综上,作者展现了一条融合金融理论与现代机器学习贝叶斯技术的新途径,将基础模型的“魔鬼”(风险)与“天使”(alpha)共生关系科学化、量化,为未来大规模模型金融应用研究奠定坚实基础。,1,2,3,4,5,6,7]
注:上述引用页码对应报告内容所在页,便于追溯与核对。
2510.17165.pdf