Editorial Ekonomi & Bisnis
Open AccessOA2025
Kronos: Model Fondasi untuk Bahasa Pasar Keuangan
Kronos adalah model fondasi yang dipra-latih pada lebih dari 12 miliar rekaman K-line dari 45 bursa global, mencapai peningkatan signifikan dalam peramalan harga, prediksi volatilitas, dan pembangkitan data sintetis. Model ini memperkenalkan tokenizer khusus untuk mendiskretisasi informasi pasar kontinu menjadi urutan token, dengan mempertahankan dinamika harga dan pola aktivitas perdagangan.
Yu Shi; Zongliang Fu; Shuo Chen; Bo-Han Zhao; Wei Xu; Changshui Zhang; Jian Liยท AAAI Conference on Artificial Intelligenceยท 2025ยท DOI 10.1609/aaai.v40i30.39730
Masalah inti
Keberhasilan paradigma pra-pelatihan berskala besar, yang dicontohkan oleh Large Language Models (LLMs), telah menginspirasi pengembangan Time Series Foundation Models (TSFMs). Namun, penerapannya pada data candlestick keuangan (K-line) masih terbatas, sering kali berkinerja di bawah arsitektur tanpa pra-pelatihan. Selain itu, TSFM yang ada sering mengabaikan tugas hilir penting seperti prediksi volatilitas dan pembangkitan data sintetis. Untuk mengatasi keterbatasan ini, penulis mengusulkan Kronos, kerangka pra-pelatihan terpadu dan skalabel yang disesuaikan untuk pemodelan K-line keuangan.
Inovasi
Kronos memperkenalkan tokenizer khusus yang mendiskretisasi informasi pasar kontinu menjadi urutan token, dengan mempertahankan dinamika harga dan pola aktivitas perdagangan. Model ini dipra-latih menggunakan objektif autoregresif pada korpus multi-pasar yang masif berisi lebih dari 12 miliar rekaman K-line dari 45 bursa global, sehingga memungkinkannya mempelajari representasi temporal dan lintas aset yang bernuansa. Objektif pra-pelatihan dapat diformalkan sebagai memaksimalkan kemungkinan token berikutnya berdasarkan token sebelumnya:
dengan merepresentasikan data K-line yang ditokenisasi pada waktu dan menyatakan parameter model.
Pendahuluan
Keberhasilan paradigma pra-pelatihan berskala besar, yang dicontohkan oleh Large Language Models (LLMs), telah menginspirasi pengembangan Time Series Foundation Models (TSFMs). Namun, penerapannya pada data candlestick keuangan (K-line) masih terbatas, sering kali berkinerja di bawah arsitektur tanpa pra-pelatihan. Selain itu, TSFM yang ada sering mengabaikan tugas hilir penting seperti prediksi volatilitas dan pembangkitan data sintetis. Untuk mengatasi keterbatasan ini, penulis mengusulkan Kronos, kerangka pra-pelatihan terpadu dan skalabel yang disesuaikan untuk pemodelan K-line keuangan.
Mengapa penting
Peningkatan signifikan ini menunjukkan efektivitas tokenizer yang diusulkan dan pra-pelatihan berskala besar pada data K-line keuangan. Kronos tidak hanya memajukan peramalan harga tetapi juga menangani tugas yang sebelumnya diabaikan seperti prediksi volatilitas dan pembangkitan data sintetis, menunjukkan keserbagunaannya. Kemampuan zero-shot menunjukkan generalisasi yang kuat di berbagai pasar dan tugas, membuka jalan bagi adopsi model fondasi yang lebih luas di bidang keuangan.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ