本文研究预训练金融时间序列模型使用未来训练数据是否会造成回测中的前视偏差,并通过五类模型、三种训练信息环境、14个股票市场及四种预测期限进行点时基准与未来模型版本的匹配比较。美国训练环境下,跨越预测起点的后训练版本虽然显著改变预测,但在20个模型—期限组合中的18个组合降低预测准确率,投资组合年化确定性等价收益中位数在美国和国际市场分别低于点时基准1.77和2.14个百分点。误差分解表明,未来信息造成的预测修正只有在纠错收益超过修正幅度惩罚时才会提升预测,因此时间暴露本身只能证明信息集违规,不能单独证明回测收益被高估。
报告标题:《Does Training on Future Data Pay? Look-Ahead Bias in Forecasting with Pretrained Models》(在未来数据上训练是否有利?预训练模型预测中的前视偏差)。
作者:Haiqiang Chen、Li Chen、Yunlong Chen、Difang Huang、Bo Zhang,分别来自深圳大学、厦门大学、中国科学技术大学、中国科学院和中国科学技术大学。
日期:2026年9月18日。报告没有列明独立的发布机构、证券公司评级、目标价或买卖建议;它是一篇围绕金融预测方法和回测有效性的研究论文,而非针对某一上市公司的传统股票研究报告。
主题:预训练金融时间序列基础模型(TSFM)在历史回测中使用了超过预测时点的数据后,会不会夸大预测准确率和投资价值。研究对象包括美国市场、13个非美国市场、五种金融时间序列模型、三个训练信息环境以及1个月、3个月、6个月和12个月四种预测期限。
报告的核心结论并不是“未来数据一定提高回测表现”,而是区分两个层次的问题:第一,模型参数的训练数据是否跨越了历史预测起点,从而产生信息集违规;第二,这种违规是否真的提高了预测准确率或投资者效用。作者发现,在美国训练环境下,后续模型版本确实显著改变了历史预测,但通常降低而不是提高预测准确率和投资价值;Global和Augmented训练环境的结果则更加混合。
最重要的数字包括:在美国训练环境下,20个“模型—期限”组合中有18个组合显示点时点(PIT)模型的均方预测误差低于后续暴露模型;美国样本中后续版本相对于PIT的年化确定性等价收益率差异中位数为−1.77个百分点,国际市场为−2.14个百分点。 这意味着未来训练信息在本研究中构成了时间上的违规,但没有自动转化为有利的回测结果。
传统回测通常只检查预测输入是否使用了预测日之后的数据。例如,2010年1月的预测只能使用截至2009年12月的收益历史。但预训练模型还存在第二个信息通道:模型参数本身可能是在2015年训练完成的,因此参数已经吸收了2010年至2015年之间的市场信息。
报告将信息约束拆分为:
这一框架的关键洞察是:预训练数据并不会在推理阶段作为显式输入重新出现,但训练形成的参数 (\theta_\tau) 会保留从历史数据中学习到的关系。因此,同一段收益历史 (X_t),交给不同年份训练的参数,可能生成不同的预测。
作者进一步区分两种暴露渠道:
例如,对非美国市场而言,US训练环境没有该市场本身的收益数据,但美国收益可能反映同时期的全球金融危机、货币政策或风险偏好变化,因此仍可能携带有关非美国市场的间接信息。
这种定义避免了一个常见误区:排除目标市场并不等于完全排除未来信息。相关市场之间的同步波动可能使模型通过其他序列间接学习到目标市场未来时期的特征。
图1将同一个历史预测任务拆成两个面板。Panel A使用训练截止时间不晚于预测起点的PIT参数状态;Panel B固定目标、预测期限和输入历史,只替换为训练覆盖延伸到预测起点之后的后续参数状态。图中蓝色路径表示目标市场的直接暴露,绿色虚线路径表示相关市场、因子和共同冲击造成的间接暴露,两个模型输出之间的差异被定义为预测修订。
图1的重要意义在于,它将“模型是否见过未来数据”与“模型是否因此表现更好”分离开来。前者只需要比较训练截止日和预测起点,后者则必须继续观察预测修订、实际预测误差和投资组合收益。
美国目标变量是CRSP市值加权市场收益减去无风险利率,即美国股票风险溢价。13个非美国目标变量是各国本币计价的市值加权市场超额收益,短期利率来自FRED。模型输入历史从1994年1月开始逐月扩展,样本外预测目标从2001年1月开始。
预测单位由“市场—预测起点—预测期限”构成。无论预测期限是1个月还是12个月,目标都被转换为未来窗口内的平均月度超额收益。这样做使不同期限能够使用相同的均方预测误差和同一套投资配置规则进行比较。
历史平均值是最重要的实时基准。它只使用预测起点之前已实现的收益,因而代表一个严格的、没有模型参数暴露问题的基准。如果PIT模型连历史平均值都无法击败,那么后续版本相对于PIT的差异就很难解释为对真实预测能力的侵蚀。
研究使用五种金融时间序列基础模型:
Chronos将经过缩放的连续数值离散化为令牌,通过自回归Transformer生成多条未来路径,再对每条路径未来窗口求平均并跨路径平均。TimesFM则将连续观测切分成patch,并直接生成未来数值预测。作者将两类模型的输出统一转化为平均月度超额收益的点预测。
需要注意的是,模型预训练与实际应用之间存在明显的频率和聚合层级差异:模型原本使用的是日频、公司层面的超额收益,而研究将其直接应用于月频、市场层面的收益历史。作者认为这种转换对不同年份模型是一致的,因此有利于比较参数时间,但它也限制了结果的外部有效性。
表1总结了模型结构、预测构造、训练信息和时间分类。US环境只使用美国公司收益;Global环境加入非美国公司收益;Augmented环境进一步加入Jensen、Kelly和Pedersen的JKP因子序列。训练内容从US到Global再到Augmented逐步扩展,但在比较训练内容时保持参数年份不变。
对美国目标而言,US环境的后续版本属于直接暴露,Global和Augmented同时包含直接和间接暴露;对非美国目标而言,US环境是“仅间接暴露”,Global和Augmented则同时包含目标市场直接信息和其他市场间接信息。
研究采用两套互补设计:
图2清楚展示了两种设计的时间方向。Panel A沿着模型年份移动,比较“旧版本—PIT—边界暴露—后续暴露”;Panel B固定参数版本,让目标窗口从训练截止日前移动到截止日之后。这样既能观察局部的年度替换,也能观察同一模型规则在不同历史时期的部署表现。
一个重要限制是:每个年度版本都是独立训练的,并非在同一优化路径上逐年增加数据后保存的连续检查点。因此,版本替换的结果是“替换一个完整拟合规则”的净效果,而不是纯粹识别“加入一年数据”的因果效果。
表2检验PIT模型是否能够超过扩展历史平均值。核心指标 (R^2_{HA})表示相对于历史平均值的MSFE下降比例,正数表示PIT模型误差更低;括号中的Clark–West检验用于处理嵌套预测模型比较中的统计问题。
美国Chronos Tiny的MSFE改善在1个月、6个月和12个月期限分别为3.45%、15.12%和14.31%。在国际等权市场聚合中,12个月期限下Chronos Tiny、Mini和Small的改善分别为12.82%、12.91%和10.60%。美国和国际样本中,20个模型—期限组合各有15个Clark–West单边检验的p值低于5%。
这一步是整个论文逻辑的基础:作者不是把一个完全无效的PIT模型当作标准,而是先证明PIT预测确实含有一定预测信息,随后再评价后续版本是否损害了这部分信息。
图IA.2.1同时绘制原始 (R^2_{HA}) 和Clark–West调整收益。图中Chronos Mini在1、3、6、12个月期限均显示正的原始改善;TimesFM 20M在短期限表现相对弱,部分原始(R^2)可能为负,但调整后的嵌套模型检验仍可能呈现正值。这说明原始MSFE改善和调整后统计检验并不是完全相同的概念。
后续版本并不是对PIT预测进行简单比例缩放,而是会改变预测水平、方向和预测分布。Chronos Mini在1个月期限的标准化平均绝对修订约为历史平均值RMSE的8.47%至9.10%,在12个月期限上升到17.01%至21.18%。TimesFM 20M对年度版本替换更加敏感,图3中的修订规模为历史平均RMSE的21.05%至38.68%。
TimesFM 20M在lead 0、1个月期限下有27.9%的匹配月份出现预测符号改变,即原先预测正收益,替换版本后变成负收益,或反之。Chronos Mini在lead +2、12个月期限的PIT—后续版本预测相关系数最低,仅为0.092,说明后续版本有时几乎不再保留原始预测的时间序列方向。
图3的上排显示修订绝对值随期限通常变大;中排显示PIT与后续版本相关性下降;下排显示符号翻转比例在不同模型和期限间存在明显差异。该图支持作者的关键论点:参数时间会改变模型实际传达的经济观点,而不是仅改变信号的量纲。
图IA.3.1使用Wasserstein-1距离比较Chronos的完整预测分布,而不仅是预测均值。Chronos Mini在美国样本中的距离约为25.31至44.47个月收益基点,固定2009和2023版本的距离则为27.99至64.89基点,且HAC和区块Bootstrap区间均高于零。由此可见,训练年份不仅改变点预测,也改变了分布的位置、离散程度和尾部形状。
表3把两个同样长度的一年更新放在一起比较:
美国样本中,前视内更新使预测损失改善0.72个历史平均MSFE百分点;但跨越预测起点的更新使预测价值下降5.65个百分点。国际市场对应数值为+0.85和−5.71个百分点。两者之差在美国为−6.37个百分点,在国际市场为−6.56个百分点,国际市场聚类t统计量为7.08。
该结果说明,问题并非“模型年份越新就一定越差”,而是性能恶化集中发生在训练信息首次进入预测起点之后的那次更新。
表4让PIT、lead 0、lead +1和lead +2在同一252个月支持集上与历史平均值比较。以6个月期限为例,Chronos Tiny的(R^2_{HA})从PIT的17.44下降为lead 0的12.77、lead +1的4.86和lead +2的6.91;TimesFM 20M则从PIT的11.69下降到−3.79、−22.62和−8.25。
后续版本仍可能击败历史平均值,但通常不如PIT版本。20个模型—期限组合中,lead 0、lead +1和lead +2的原始(R^2_{HA})低于PIT的组合数分别为17、17和19个。
图4将差异直接表示为PIT MSFE减去暴露版本MSFE,正值代表后续版本更好,负值代表PIT更好。24个“模型—版本—期限”估计中,8个估计的两类置信区间都完全低于零,没有任何一个估计的两类区间都完全高于零。三类后续版本合并后,20个模型—期限组合中有18个为负,损失优势中位数为−5.94个历史平均MSFE百分点。
表5比较固定的2000、2009和2023版本与PIT。60个“版本—模型—期限”估计中有52个为负,总体中位数为−9.29个百分点;负值表示固定版本的MSFE高于PIT。
图5显示Chronos Mini和TimesFM 20M在三个固定版本、四种预测期限下的估计及置信区间。TimesFM 20M在中长期期限的负向结果尤其明显,例如2023版本在若干期限上大幅低于零,显示较新的固定参数状态并没有形成稳定的“越新越好”排序。
固定版本的时间分类也很有启发性。对2009版本,回溯暴露窗口的中位数效果为7.37个百分点,而截止日之后的部署窗口为−1.53个百分点。也就是说,同一规则在其训练覆盖的历史时期可能看起来有利,但当预测窗口进入训练截止日之后,其相对于PIT的优势消失甚至反转。
表6把滚动设计、固定2009设计和固定2023设计放在一起。美国20个模型—期限组合中,12个组合在三种设计下都表现为共同损失,没有任何共同收益;5个组合表现为两个固定版本之间方向不一致,3个组合属于固定设计和滚动设计发生协议分歧。
国际市场的结果更加广泛:260个“市场—模型—期限”单元中有167个共同损失,只有15个共同收益。两个不同时间设计都集中出现损失,强化了“后续版本通常不如PIT”的判断,但同时也表明这一结论不是每一个单元都成立。
作者使用受约束的均值—方差配置规则,将预测转化为市场权重。风险厌恶系数为3,市场权重限制在0到1.5之间,方差使用目标月份之前的扩展样本估计,且不扣除交易成本。
表7显示,美国五种模型的暴露版本相对于PIT的年化确定性等价收益率差异中位数为−1.77个百分点;国际65个“市场—模型”组合的中位数为−2.14个百分点,其中56个组合低于零。 这里的确定性等价收益率(CER)是将收益和风险折算成一个具有风险厌恶调整的等价确定收益,负的(\Delta CER)表示暴露版本给投资者带来的效用低于PIT版本。
长期期限的完整分层投资结果也基本一致:美国15个“模型—期限”单元中有14个CER差异为负,国际市场的15个组合中所有中位数都为负。 风险厌恶系数从1、3变为5时,结论在美国和国际市场仍保持负向。
图IA.8.1展示了美国五个模型的点估计和国际各市场的分布。国际市场中多数市场点估计位于零线左侧,且中位数和四分位区间总体偏向负值。该图说明结果并不是由少数异常市场单独驱动,而是在较广泛的市场范围内出现。
训练内容会改变后续参数替换的效果。对美国目标:
这说明加入全球收益信息可能改善后续版本与预测目标之间的匹配,但加入JKP因子并没有必然带来额外改善。
对非美国目标,Global环境加入目标市场本身后,结果从US环境的间接暴露状态转向更接近零;Global的中位数为+0.16、正向单元9个,Augmented的中位数为+0.35、正向单元11个。
图6上半部分用曲线显示不同期限的中位数效果,下半部分用“+”和“−”标出五个模型各自的方向。美国US环境在四个期限中几乎全部位于零线下,而Global环境更多位于零线上方;国际样本中,训练范围扩大后正负方向趋于平衡。
不过,报告正文存在一个值得注意的排版或符号问题:在描述非美国市场US环境时,文字给出的中位数为“5.19”,同时又说20个模型—期限单元中没有正值;如果“5.19”是带符号的效果,这两者不能同时成立,较可能是原文提取时遗漏了负号。 这不会改变作者关于US环境结果偏向不利的总体叙述,但提示读者应以完整表格或原始数据核对该数值。
设PIT预测误差为 (e^{PIT}),后续版本相对于PIT的预测修订为 (D),则后续版本误差为:
[ e^{Later}=e^{PIT}-D ]
两者平方损失差可以写成:
[ (e^{PIT})^2-(e^{PIT}-D)^2 =2e^{PIT}D-D^2 ]
其中:
图7把蓝色柱状表示为alignment benefit,把灰色负柱表示为movement penalty,黑点表示净预测价值。对暴露版本而言,灰色移动惩罚通常大于蓝色纠错收益,尤其是TimesFM在中长期期限的修订幅度较大,因此净值明显为负。
作者进一步定义修订规模 (r)和对齐效率 (\kappa)。预测改善需要:
[ \kappa > \frac{r}{2} ]
美国滚动暴露的修订规模为0.273,盈亏平衡阈值为0.137,但实际对齐效率只有−0.014;美国固定版本的规模为0.348,阈值为0.174,实际对齐效率为0.006。国际滚动和固定版本的规模分别为0.312和0.373,实际对齐效率分别为0.024和0.041,仍低于0.156和0.186的阈值。
因此,后续版本的问题不是“修订太小”,而是修订方向和幅度不够准确。暴露版本的修订约为PIT剩余误差的27%至37%,但只有约12%至17%的比较单元产生正的净预测价值。
相比之下,PIT到较旧版本的修订虽然规模相近,但美国和国际市场的对齐效率分别接近0.136和0.168,接近盈亏平衡阈值,净收益单元比例达到60%和53%。这说明预测变动本身不是问题,关键在于变动是否能够有效纠正原先的预测误差。
附录并未改变主结论,而是从更多模型、训练环境、市场和样本区间验证主结果:
报告没有传统意义上的公司估值章节,也没有DCF、股息折现、市盈率、EV/EBITDA、目标价或股票评级。其所谓“经济价值”是将预测信号投入一个受约束的市场择时策略后,用CER和Sharpe比率衡量投资者效用,而不是对某家公司进行内在价值评估。
因此,不能把−1.77个百分点或−2.14个百分点理解为股票价格目标下调;它们是两种预测规则在特定投资约束、风险厌恶系数和样本期间下的年化确定性等价收益率差异。
报告自身明确承认以下局限:
报告最稳健的地方是采用匹配设计:同一市场、同一历史输入、同一目标窗口和同一推理协议下,只替换参数年份,从而尽量将差异归因于参数时间。滚动设计和固定版本设计也从两个方向重复检验了结果。
但作者的结论应理解为“在该模型、样本、训练语料和投资规则下,后续版本通常不利”,而不能泛化为“所有未来训练模型都会降低准确率”。Global环境下美国目标的中位数效果转为+1.37,正向单元增至12个,说明训练内容、目标市场覆盖和跨市场信息会改变暴露的后果。
此外,报告中部分图表和正文的符号存在提取或排版问题,例如固定版本效果的文字描述中出现“正的中位数”与“负值占多数”并存的表述,非美国US环境的“5.19”也与“没有正向单元”不完全一致。 对这些数字进行正式引用时,应以完整表格原件或作者代码复核。
这篇报告的主要贡献,是把预训练模型回测中的“未来信息”问题从一个笼统的概念拆解为三个可测量环节:
实证结果显示,PIT模型本身通常具有预测内容,尤其是Chronos模型能够明显优于历史平均值;但是在美国训练环境下,后续年度版本虽然显著改变预测,却往往降低预测准确率。滚动设计中18/20个组合偏向PIT,固定版本中52/60个估计为负,美国和国际市场的投资价值差异中位数分别为−1.77和−2.14个百分点。
最终判断是:训练信息跨越历史预测起点,足以证明存在信息集违规,但不足以单独证明回测准确率或投资价值被夸大。是否形成有利的前视偏差,取决于未来信息造成的预测修订能否以足够准确的方向纠正PIT模型原本的误差;如果修订幅度大而方向不准,平方移动惩罚就会超过纠错收益。
因此,作者的总体立场不是简单禁止后续版本,而是要求研究者分别记录输入数据截止日和参数训练截止日,并在完全匹配的历史任务上比较PIT和暴露版本。对预训练金融模型而言,只有同时报告时间暴露、预测修订、预测损失和投资者效用,才能完整判断回测结果是否具有真实的实时经济含义。
2609.20554.pdf