知识卡片：金融数值预测与配置作为令牌生成

说明：原始论文正文未能抓取；本卡片仅基于候选摘要与元数据整理。未在候选摘要中明确的信息均标为“待核实”。

一句话结论

FinATOM 提出让因果语言模型通过受限 token 生成直接表达股票收益预测与 ETF 配置决策，而不是为不同任务外接回归、排序或策略头；候选摘要报告该方式在 2023–2025 年 ETF 测试和 FinTexTS 上带来夏普比率改善（完整方法与数字待核实）。

事件概述或研究问题

传统金融预测通常依赖任务特定的输出头，导致语言模型与最终被评估的数值对象分离。本文研究的问题是：因果语言模型能否通过受限 token 生成，直接表示“预测”和“配置”两类数值决策？为此，FinATOM 引入统一的、无任务专用头的接口，用于三步股票收益预测和动态五 ETF 配置。

方法/产品要点

• 收益预测：模型自回归地生成波动率标准化后的收益 token；训练先使用序数（ordinal）和排序（ranking）监督，再进行一个 epoch 的 token 级策略阶段。
• 资产配置：模型生成归一化的纯多头（long-only）权重；监督微调（SFT）先模仿因果均值-方差锚（causal mean-variance anchor），再用 DAPO 增强的 GRPO 在锚定一致性约束下优化已实现 21 日 Sharpe。
• 统一性：预测和配置共用“token 生成”接口，不需要任务专用的回归、排序或策略 head。

主要结果或产业意义

根据候选摘要，主要数值结果如下（待核实完整论文）：

• 2023–2025 年 ETF 测试中，配置策略将综合（pooled）总 Sharpe 从 1.428 提升至 1.529；在 5 bp 交易成本模型下，净 Sharpe 从 1.394 提升至 1.494。
• 多模态配置输入取得最高三时期平均 Sharpe 1.540，其优势在 2025 年最明显。
• FinTexTS 上，SFT 策略与策略方案的累计收益/Sharpe 分别为 73.52%/2.68 和 73.72%/2.69。

潜在产业意义：若可复现，量化投研可能用统一语言模型同时承担收益预测与组合构建，减少多任务专用建模成本。

为什么重要

• 它将金融数值对象从“任务头输出”转为“token 生成”，让语言模型直接接触最终被评估的数值结果。
• 策略阶段直接以 21 日已实现 Sharpe 为优化目标，而不是只做有监督模仿，这使生成模型可以针对投资目标调整。
• 与已有相关卡片（PixWorld、ELSA3D、ReChannel）无直接事实重复；本条不是 3D 视觉生成方向的延续，而是基础模型统一输出接口这一思路在金融预测与配置上的应用扩展。增量信息是：预测和决策可以统一为受限 token 生成，不一定需要专门的回归/排序/策略头。

局限与不确定性

• 论文正文未能抓取；以上数据、方法细节、基线比较和结论均基于候选摘要，需以正式论文为准（待核实）。
• “三步”收益预测、五 ETF 配置范围、2023–2025 测试窗口、DAPO/GRPO 具体设置、交易成本模型、多模态输入构成等细节均待核实。
• 摘要本身也提出需要在更多资产、市场状态和随机种子下做更广泛测试。

可用于图书/PPT/简报的角度

• “把收益率变成 token”：用语言模型直接生成数值预测，而不是只生成文字。
• “不要任务头”：一个因果语言模型接口统一预测和配置。
• “用强化学习优化夏普”：在 token 级策略阶段直接优化 21 天 Sharpe，而非仅拟合标签。
• “金融基础模型的落点”：展示 foundation model 在量化决策中的可能应用方向。

原始材料

• 英文标题（Manual title）：Financial Numerical Prediction and Allocation as Token Generation
• 英文关键词：financial numerical prediction; allocation; token generation; constrained token generation; causal language model; FinATOM
• 原始来源：https://arxiv.org/abs/2608.09880v1
• 元数据：Track: academic；Topics: foundation-model
• 材料状态：未能抓取正文；以上内容仅基于候选摘要整理。