arXiv · 10.08.2026 ·Машинное обучение

FinATOM: прогнозирование финансовых рынков через генерацию токенов

Исследователи представили FinATOM — метод, который объединяет прогнозирование доходности акций, оценку рисков и распределение активов в единый процесс генерации токенов. В отличие от традиционных моделей, использующих специализированные регрессионные или классификационные «головы», FinATOM работает как каузальная языковая модель, напрямую предсказывая числовые значения через ограниченный вывод токенов, что упрощает архитектуру и повышает эффективность принятия решений.

Традиционные подходы к финансовому прогнозированию часто разделяют языковую модель и аналитический блок, что создает разрыв между пониманием контекста и итоговым числовым результатом. Новый метод устраняет этот барьер, превращая задачу предсказания в задачу генерации последовательности. Это позволяет модели одновременно учитывать рыночные данные и формировать стратегию распределения капитала без необходимости дообучения дополнительных слоев под каждую конкретную задачу.

Эксперименты показывают, что такой подход обеспечивает высокую точность прогнозов доходности и позволяет эффективно оптимизировать портфели в режиме реального времени. Использование единого интерфейса генерации токенов делает систему более гибкой при работе с разнородными финансовыми данными, сохраняя при этом интерпретируемость выводов модели на каждом этапе анализа.

Ключевые факты

FinATOM исключает использование специализированных «голов» (heads) для регрессии и ранжирования, заменяя их прямым выводом числовых токенов.
Модель реализует трехэтапный процесс: прогнозирование доходности акций, оценка рисков и автоматическое распределение активов.
Метод основан на архитектуре каузальных языковых моделей, что позволяет интегрировать финансовую аналитику непосредственно в процесс генерации текста.
Подход демонстрирует эффективность в задачах динамического управления портфелем за счет унификации логики принятия решений.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Adaptive Financial Transformer: новая архитектура для прогнозирования доходности акций Исследователи представили Adaptive Financial Transformer (AFT) — специализированную архитектуру для прогнозирования доходности акций в условиях нестабильных рынков. В отличие от стандартных трансформеров, модель использует механизм динамического управления вниманием, который адаптируется к текущему рыночному режиму. Это позволяет эффективнее учитывать семантические связи между финансовыми индикаторами и повышать точность предсказаний в меняющейся экономической среде. arXiv · Данные и инжиниринг FinKG-News: автоматизация кредитных рисков через графы знаний Исследователи представили фреймворк FinKG-News, который автоматизирует оценку кредитных рисков путем построения графов знаний на основе финансовых новостей. Система извлекает ключевые события из текстовых потоков и связывает их с рыночными показателями, обеспечивая прозрачную интерпретацию факторов, влияющих на финансовое состояние компаний. Это позволяет перевести неявные рыночные сигналы в структурированные данные для аналитических моделей. arXiv · Исследования и наука Новый подход к анализу финансовых новостей с помощью структурированного извлечения данных Исследователи представили метод структурированного извлечения данных из финансовых новостей, выходящий за рамки простого анализа тональности. Вместо сведения контента к единому показателю полярности, модель классифицирует информацию по типам событий, масштабу влияния, временному горизонту и семантической достоверности. Это позволяет более точно прогнозировать рыночные движения, учитывая многомерный характер новостных потоков и их реальное влияние на активы. arXiv · Оценка и бенчмарки FinRank: новый бенчмарк для проверки точности ответов в финансовой отчетности Исследователи представили FinRank — специализированный бенчмарк для оценки систем RAG и вопросно-ответных моделей, работающих с документами SEC. В отличие от стандартных тестов, FinRank фокусируется не только на правильности итогового ответа, но и на корректности источника данных, что критически важно при анализе повторяющейся финансовой отчетности, где разные разделы могут содержать схожие, но контекстуально различные показатели. arXiv · Исследования и наука VAIOM: новая архитектура трансформеров для анализа финансовых временных рядов Исследователи представили VAIOM — специализированную архитектуру на базе decoder-only трансформеров, адаптированную для работы с непрерывными финансовыми данными. В отличие от стандартных LLM, работающих с дискретными токенами, VAIOM эффективно обрабатывает зашумленные и гетерогенные рыночные показатели, разделяя этапы представления входных данных и прогнозирования вероятностных доходностей активов на часовых интервалах. arXiv · Исследования и наука Оптимизация инвестиционных портфелей с помощью эволюционных алгоритмов Исследователи представили новый подход к решению задачи оптимизации портфеля с учетом ограничений по количеству активов (cardinality constraint). Используя усовершенствованные многоцелевые эволюционные алгоритмы, авторы предлагают метод эффективного распределения капитала в условиях растущего числа рыночных альтернатив. Работа демонстрирует, как вычислительные методы позволяют справляться со сложными финансовыми моделями, требующими учета множества противоречивых критериев при формировании инвестиционных стратегий. MarkTechPost · ИИ в бизнесе Прогнозирование временных рядов с TimesFM 2.5: от данных до детекции аномалий Google представила обновленную модель TimesFM 2.5, предназначенную для высокоточного прогнозирования временных рядов. Инструмент позволяет автоматизировать построение сложных бизнес-моделей, учитывающих сезонность, маркетинговые акции, праздничные дни и внешние факторы, такие как температура. Решение обеспечивает масштабируемый подход к анализу данных, позволяя компаниям внедрять продвинутую аналитику в процессы планирования спроса и управления запасами без необходимости глубокой настройки архитектуры нейросетей. arXiv · Машинное обучение Анализ рыночных настроений через синтез блокчейн-данных и соцсетей Исследователи представили модель классификации рыночных настроений, объединяющую ончейн-активность биткоина с данными из социальных сетей. В отличие от классических методов прогнозирования цен, новый подход фокусируется на интерпретации эмоционального фона рынка. Интеграция транзакционных данных блокчейна и текстового анализа позволяет точнее определять фазы рыночного цикла и поведенческие паттерны инвесторов в цифровые активы. arXiv · Машинное обучение Posterior Refinement: новый метод ускорения генерации текста в неавторегрессионных моделях Исследователи представили метод Posterior Refinement, решающий проблему низкой эффективности неавторегрессионных языковых моделей. Новый подход использует Any-Order Flow Maps для итеративного уточнения текста, позволяя моделям критиковать и перегенерировать произвольные фрагменты токенов одновременно. Это устраняет ошибки факторизации, характерные для маскированных диффузионных моделей, и значительно повышает качество генерации при сохранении высокой скорости работы. arXiv · Исследования и наука TFGformer: новый подход к прогнозированию временных рядов через RAG и графовое обучение Исследователи представили TFGformer — модель для прогнозирования многомерных временных рядов, объединяющую графовое обучение и RAG. В отличие от стандартных моделей, полагающихся на статические веса, TFGformer динамически извлекает исторические паттерны из внешних данных. Это позволяет эффективнее обрабатывать гетерогенные показатели IoT-датчиков, обеспечивая высокую точность долгосрочных прогнозов для задач предиктивного обслуживания и управления ресурсами в сложных инфраструктурных системах.

← Все материалы