arXiv cs.AI· Yuqi Wang, Fengyuan Liu, Mukai Li, Haochen Luo, Lei Li, Qi Liu·· 10 小时前AI 评分31
Market-Conditioned JEPA：从不可预测的市场冲击中学习
Market-Conditioned JEPA: Learning from Unpredictable Market Shocks
AI 导读
研究者提出 Market-Conditioned JEPA（MC-JEPA），一种面向金融时间序列的联合嵌入预测架构，训练时用其他资产的未来目标嵌入为每个资产构造留一市场条件，并通过资产自身表征导出的因子载荷注入。
正文 · AI 翻译
摘要：金融时间序列中的大部分变异由无法从资产自身历史预测的市场整体冲击所驱动。逐资产的自监督学习将这种变异视为不可约的噪声。在潜在因子模型下，我们证明：将预测条件化于已实现的市场因子，会使资产的市场暴露成为最优预测所必需，同时减少资产特定成分学习时所面对的噪声。基于这一洞见，我们提出市场条件化 JEPA（MC-JEPA），一种面向金融时间序列的联合嵌入预测架构。在训练过程中，我们利用其他资产未来目标嵌入为每个资产构建留一法市场条件，并通过由该资产自身表示导出的因子载荷将其纳入。在 11 年的分钟级中国 A 股数据上，MC-JEPA 在涵盖收益、市场暴露、风险和流动性的九个目标上均优于逐资产 JEPA，其中在暴露、风险和流动性上的提升最强且最具统计显著性。它在所有流动性目标以及两小时至五天的收益期限上取得最佳 RankIC，优于时间序列基础模型和自监督基线，并在历史回测中实现最佳组合表现。消融实验表明，收益和暴露的提升要求条件与已实现的市场走势对齐。在恢复归一化所移除的波动率尺度后，预测器的因子载荷在无标签情况下对股票按市场 beta 的排序能力几乎与有监督探针相当。一项参数已知的合成因子模型研究表明，条件化能改善市场暴露和资产特定成分两者的恢复。
| 评论： | 23 页，4 幅图，14 张表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| 引用为： | arXiv:2611.13572 [cs.LG] |
| （或 arXiv:2611.13572v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.13572 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yuqi Wang [查看邮箱]
[v1]
2026 年 11 月 10 日星期二 04:40:04 UTC（300 KB）
来源：arXiv cs.AI · arxiv.org