KiT: A Foundation Model for Financial Time-Series Forecasting using DiffusionTransformers
作者: Boyu Zhang, Haorui Li
分类: cs.LG, cs.CV
发布日期: 2026-09-28
🔗 代码/项目: GITHUB
💡 一句话要点
提出KiT模型以解决金融时间序列预测中的信号噪声问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 金融时间序列 蜡烛图预测 扩散变换器 条件路径生成 量化投资 深度学习 模型预训练
📋 核心要点
- 现有金融时间序列预测方法多采用自回归形式，导致推理时误差累积，且未能针对K线数据的特性进行优化。
- 本文提出KiT模型，通过扩散变换器将未来预测重构为条件路径生成，旨在生成合理的未来OHLCV轨迹。
- 实验结果表明，KiT在多个市场和时间尺度上均表现优异，超越了现有的金融预测模型，具有显著的实际应用价值。
📝 摘要（中文）
金融蜡烛图预测是量化投资的基础，但由于信号噪声比极低以及市场和工具的巨大异质性，这一任务异常困难。现有方法多采用自回归形式，导致推理过程中的误差累积。此外，通用时间序列基础模型未能针对K线数据的独特结构进行优化，导致在蜡烛图预测任务上表现不佳。为了解决这些问题，本文提出了KiT，一个基于扩散变换器的K线基础模型，并将未来预测重新表述为通过流匹配生成条件路径：给定历史上下文窗口，模型生成一组合理的未来OHLCV轨迹。我们在多个参数规模上对KiT进行了预训练，涵盖了多个市场和时间尺度。实验结果显示，KiT在三个市场和七个分辨率下，平均收益RankIC为0.057，平均波动率RankIC为0.66，在每个时间尺度上均领先，超越了任务特定的金融预测模型和通用时间序列基础模型。
🔬 方法详解
问题定义：本文旨在解决金融时间序列预测中的信号噪声比低和市场异质性大等问题。现有自回归方法在推理过程中容易导致误差累积，且通用模型未能有效处理K线数据的特性。
核心思路：提出KiT模型，通过扩散变换器将未来预测转化为条件路径生成，利用历史上下文生成一组合理的未来OHLCV轨迹，从而提高预测的准确性和稳定性。
技术框架：KiT模型的整体架构包括数据预处理模块、扩散变换器核心模块和路径生成模块。数据预处理模块负责将历史K线数据转化为适合模型输入的格式，扩散变换器则用于捕捉时间序列中的潜在特征，最后路径生成模块输出未来的OHLCV轨迹。
关键创新：KiT的核心创新在于将未来预测问题重新表述为条件路径生成，这一方法有效减少了误差累积，并且能够生成多个可能的未来轨迹，增强了模型的鲁棒性。
关键设计：在模型设计中，采用了多层扩散变换器结构，结合特定的损失函数以优化路径生成的准确性，同时在预训练阶段使用了来自多个市场的海量K线数据，以提高模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
KiT模型在三个市场和七个分辨率下的实验结果显示，平均收益RankIC达到0.057，平均波动率RankIC为0.66，均在各个时间尺度上领先，显著超越了任务特定的金融预测模型和通用时间序列基础模型，证明了其优越性。
🎯 应用场景
KiT模型在金融市场的蜡烛图预测中具有广泛的应用潜力，能够为量化投资策略提供更为准确的未来走势预测。其创新的路径生成方法不仅适用于金融领域，还可扩展至其他时间序列预测任务，具有重要的实际价值和未来影响。
📄 摘要（原文）
Financial candlestick forecasting is fundamental to quantitative investment, yet it remains exceptionally challenging due to extremely low signal-to-noise ratios and vast heterogeneity across markets and instruments. Existing approaches have largely attempted to introduce deep learning to capture hidden temporal features, but most adopt an auto-regressive formulation, which leads to error accumulation during inference. Meanwhile, general-purpose time-series foundation models are not tailored to the unique structure of k-line data and yield unsatisfactory performance on downstream candlestick forecasting tasks. To tackle these problems, we introduce KiT, a K-line Diffusion Transformer foundation model, and reformulate future prediction as conditional path generation via flow matching: given a historical context window, the model generates an ensemble of plausible future OHLCV trajectories. We pre-train KiT at multiple parameter scales on billions of candlestick bars spanning multiple markets and timescales. Across three markets and seven resolutions, KiT attains a mean return RankIC of 0.057 and a mean volatility RankIC of 0.66, leading at every timescale and outperforming both task-specific financial forecasters and general time-series foundation models. Code will be available at: https://github.com/Luciferbobo/KiT.