金融语言模型作为市场摩擦下基于新闻交易的应 用人工智能系统

一篇 arXiv 论文提出 MFAST 框架，将带时间戳的金融文本转换为可审计、可复现且市场可行的交易决策。该框架把 Refinitiv News Analytics 与 CRSP 股票数据链接，样本外评估限于发布后且超出基础模型数据时效期的新闻，并增加使用公开金融文本与价格数据的复现分支。结果显示 decoder-only 语言模型在分类、概率校准、收益预测和净组合表现上优于 encoder 基线与词典情感方法。

此前金融 AI 研究分散在时序预测、文本分类、图建模与 MLOps，缺少把事件时间可观测性、概率校准、执行时点、交易成本、流动性、容量和统计推断放在一起测试的领域协议。该论文提出了一个可联合评估信号是否在真实决策系统中仍有效的框架，并给出与证券链接及数据时效隔离的评估设定。

机制上，框架先要求把公司特定文本与证券对应，再把带时间戳的新闻转成可审计信号，并在事件时间可观测性、交易成本、流动性约束与容量限制下计算净组合表现。为避免基础模型预训练数据泄露，主样本外评估限制在发布后且超出模型数据新鲜期的新闻，另设公开数据复现分支以检验可复制性。

对研发与产品团队的直接启示是：评估金融文本模型不能只看分类准确率，需同时纳入概率校准、执行时点、交易成本和流动性约束。产品侧若做新闻驱动信号，需要建立文本到证券的链接层、可审计的决策日志，并按数据新鲜期切分评估集，否则线上净收益可能与离线指标脱节。

• 搭建新闻文本到证券代码的实体链接与时间戳对齐组件，作为信号评估的前置流水线。
• 在回测与线上监控中加入交易成本、流动性约束和容量上限，输出净组合表现而非单纯准确率。
• 建立概率校准评估模块，对模型输出分数做可靠性校验后再接入决策流程。
• 按基础模型数据新鲜期切分训练与评估样本，构建可复现的公开数据验证分支。

• MFAST 的公开复现分支在公开金融文本与价格数据上是否得到与主实验一致的结果？
• decoder-only 模型相对 encoder 与词典情感的优势在不同市场、不同标的池上是否稳定？
• 框架在真实交易成本与容量限制下，净组合表现对参数设定有多敏感？
• 论文提到的 operational diagnosti… 部分具体包含哪些诊断指标与结论？