arXiv:2511.18578v2 q-fin.CP

금융 분야 시계열 파운데이션 모델의 재검토

Re(Visiting) Time Series Foundation Models in Finance

Eghbal Rahimikia, Hao Ni, Weiguan Wang

제출 2026-11-17

한국어 초록

금융 시계열 예측은 트레이딩, 포트폴리오 최적화, 위험 관리에 필수적이지만, 잡음이 많고 비정상적이며 이질적인 데이터로 인해 어려움이 크다. 대규모 언어 모델에서 영감을 받은 시계열 파운데이션 모델(TSFM)은 전이 가능한 시간적 표현을 학습하는 것을 목표로 한다. 방대하고 다양한 데이터셋에 대한 사전학습이 금융에서도 유사한 일반화를 가능하게 하는지는 아직 열린 질문이다. 본 연구는 대규모 일별 초과수익률 데이터를 사용하여 글로벌 금융시장에서 TSFM을 종합적으로 실증 평가한다. 강력한 벤치마크와 비교하여 제로샷 추론, 미세조정, 처음부터의 사전학습을 평가한다. 기성 TSFM은 대체로 성능이 낮은 반면, 금융 특화 사전학습은 긴 윈도우에서의 총 포트폴리오 성과를 개선한다. 더 큰 사전학습 데이터셋과 합성 증강은 특히 더 긴 입력 윈도우에서 일부 설정의 성능을 향상시킨다. 구성 변경은 예측 지표와 포트폴리오 지표에 걸쳐 엇갈린 효과를 보이며, TSFM이 강력한 벤치마크를 일관되게 능가하지는 않는다. 이러한 결과는 검증이 불충분할 경우 신뢰할 수 없는 예측과 막대한 금전적 손실로 이어질 수 있는 금융 분야에서 AI를 무비판적으로 도입하는 것에 대해 경고한다.

원문 초록

Financial time series forecasting is vital for trading, portfolio optimization, and risk management but is challenged by noisy, nonstationary, and heterogeneous data. Time series foundation models (TSFMs), inspired by large language models, aim to learn transferable temporal representations. Whether pre-training on massive, diverse datasets enables similar generalization to finance remains an open question. This study provides a comprehensive empirical evaluation of TSFMs in global financial markets using large-scale daily excess-return data. We assess zero-shot inference, fine-tuning, and pre-training from scratch against strong benchmarks. Off-the-shelf TSFMs generally perform poorly, while finance-native pre-training improves long-window gross portfolio performance. Larger pre-training datasets and synthetic augmentation improve selected specifications, particularly at longer input windows. Configuration changes have mixed effects across forecasting and portfolio metrics, and TSFMs do not consistently outperform strong benchmarks. These findings caution against uncritical AI adoption in finance, where insufficient validation can lead to unreliable forecasts and substantial financial losses.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2511.18578v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

공통 태그로 연결된 공개 논문이 아직 없습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.