RefineBridge: Generative Bridge Models Improve Financial Forecasting by Foundation Models

📄 arXiv: 2512.21572v2 📥 PDF

作者: Anthony Bolton, Wuyang Zhou, Zehua Chen, Giorgos Iacovides, Danilo Mandic

分类: cs.LG, eess.SP

发布日期: 2025-12-25 (更新: 2026-01-30)

💡 一句话要点

RefineBridge：生成桥模型通过基础模型改进金融预测

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 金融时间序列预测 Transformer模型 Schrödinger Bridge 生成模型 低秩适应 时间序列基础模型 参数高效学习

📋 核心要点

  1. 金融时间序列预测受非平稳性、重尾分布和噪声影响，传统TSFM模型难以有效处理。
  2. RefineBridge利用Schrödinger Bridge生成框架，将TSFM预测作为先验，迭代优化预测结果。
  3. 实验表明，RefineBridge能显著提升现有TSFM模型在金融预测任务上的性能，适用于不同预测范围。

📝 摘要（中文）

由于金融时间序列数据中存在的非平稳性、重尾分布和高频噪声，基于Transformer的时间序列基础模型(TSFM)在金融时间序列预测方面面临着巨大的挑战。低秩适应(LoRA)已成为一种流行的参数高效方法，用于将预训练的TSFM适应到下游数据领域。然而，由于LoRA保留了TSFM的网络架构和训练目标，而不是对基础模型进行补充，因此它在金融数据中的表现仍然不佳。为了进一步增强TSFM，我们提出了一种新的细化模块RefineBridge，它建立在易于处理的Schrödinger Bridge (SB)生成框架之上。给定TSFM的预测作为生成先验，以及观测到的真实值作为目标，RefineBridge学习上下文条件随机传输映射，以改进TSFM的预测，从低质量的先验迭代地接近真实目标。在多个金融基准上的模拟表明，RefineBridge始终如一地提高了最先进TSFM在不同预测范围内的性能。

🔬 方法详解

问题定义：金融时间序列预测面临非平稳性、重尾分布和高频噪声等挑战，导致基于Transformer的时间序列基础模型(TSFM)性能受限。现有的低秩适应(LoRA)方法虽然参数高效，但未能有效补充TSFM的不足，无法充分利用金融数据的特性。

核心思路：论文提出利用生成模型来细化TSFM的初始预测。核心思想是将TSFM的预测结果视为一个先验分布，然后通过学习一个条件随机传输映射，将这个先验分布逐步调整到真实的目标分布，从而提高预测精度。这种方法的核心在于利用生成模型来纠正TSFM的偏差。

技术框架：RefineBridge模块以TSFM的预测作为输入（先验），以真实的观测值作为目标。该模块基于Schrödinger Bridge (SB)生成框架，通过迭代的方式学习一个上下文条件随机传输映射。具体流程包括：1）TSFM进行初步预测；2）RefineBridge接收TSFM的预测结果和真实值；3）RefineBridge通过SB框架学习从TSFM预测到真实值的映射；4）输出细化后的预测结果。

关键创新：关键创新在于使用Schrödinger Bridge生成模型来细化TSFM的预测结果。与直接训练TSFM相比，RefineBridge专注于学习TSFM预测中的偏差，并利用生成模型来纠正这些偏差。这种方法能够更有效地利用TSFM的先验知识，并提高预测精度。与传统的微调方法相比，RefineBridge不需要修改TSFM的结构，而是作为一个独立的模块进行优化。

关键设计：RefineBridge的关键设计包括：1）使用Schrödinger Bridge框架，该框架能够有效地学习随机传输映射；2）设计合适的损失函数，以确保RefineBridge能够有效地将TSFM的预测结果调整到真实的目标分布；3）上下文条件随机传输映射的设计，允许RefineBridge根据不同的上下文信息进行预测调整。具体的参数设置和网络结构细节在论文中应该有更详细的描述（未知）。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

RefineBridge在多个金融基准数据集上进行了实验，结果表明，该方法能够显著提高现有TSFM模型的预测性能。具体提升幅度取决于数据集和预测范围，但总体而言，RefineBridge能够带来一致的性能提升。实验结果表明，RefineBridge能够有效地纠正TSFM的偏差，并提高预测精度。

🎯 应用场景

该研究成果可应用于股票价格预测、外汇汇率预测、风险管理、量化交易等金融领域。通过提高金融时间序列预测的准确性，可以帮助投资者做出更明智的决策，降低投资风险，并提高投资回报。未来，该方法有望扩展到其他时间序列预测领域，例如能源消耗预测、交通流量预测等。

📄 摘要（原文）

Financial time series forecasting is particularly challenging for transformer-based time series foundation models (TSFMs) due to non-stationarity, heavy-tailed distributions, and high-frequency noise present in data. Low-rank adaptation (LoRA) has become a popular parameter-efficient method for adapting pre-trained TSFMs to downstream data domains. However, it still underperforms in financial data, as it preserves the network architecture and training objective of TSFMs rather than complementing the foundation model. To further enhance TSFMs, we propose a novel refinement module, RefineBridge, built upon a tractable Schrödinger Bridge (SB) generative framework. Given the forecasts of TSFM as generative prior and the observed ground truths as targets, RefineBridge learns context-conditioned stochastic transport maps to improve TSFM predictions, iteratively approaching the ground-truth target from even a low-quality prior. Simulations on multiple financial benchmarks demonstrate that RefineBridge consistently improves the performance of state-of-the-art TSFMs across different prediction horizons.