时间序列基础模型出现预测坍缩现象

在对1000只美国股票的每小时收益进行预测时，我们观察到一个意外现象：预测结果几乎变得平坦，且按横截面相关性衡量，股票排名表现不佳。我们将此称为预测坍缩。令人惊讶的是，在相同设置下预测交易量时，这一现象基本消失。我们跨时间序列基础模型（TSFMs）、十二种深度学习预测模型及97个公共基准配置对预测坍缩进行了研究，发现其与目标可预测性密切相关。我们识别出其背后的两个不同原因：低可预测性限制了校准点预测的幅度，而逐序列目标则使跨序列结构未被识别。这些发现揭示了一种校准-排名权衡：优化平方误差导致预测平坦，而直接优化横截面相关性虽能改善排名，却可能使预测幅度膨胀超过一个数量级。为解决这一权衡，我们引入了CalibRank，一个平衡校准与排名的简单目标。在Finance1K上，CalibRank使横截面相关性几乎翻了三倍，同时保持幅度接近目标，并在所有测试模型上提升了相关性。我们的结果揭示了传统时间序列评估中的一个盲点：逐序列指标可能掩盖下游决策所需的跨序列结构中的失败。