AI 时间序列模型能判断 ETF 的涨跌方向吗？

直接使用时，没有一个模型能比简单规则更好地判断期权 ETF 的涨跌方向。微调后，四个模型中有一个（Chronos-2）通过了事先设定的标准。看到这个结果后再做的检验结论不一，所以它进入的是公开的实盘检验，而不是本站的评分。

• 58.5 %：测试窗口内（上涨行情）“永远看涨”判断正确的比例。每一条简单规则、每一个直接使用的模型，正确率都低于它。
• 每笔亏损 ETF 价格的 0.12 %：跟随直接使用的 Kronos 做牛市或熊市价差，扣除成本后的结果。它的预测会用力拉回近期均值：2024-10-08，大涨刚结束，它预测的第一天就已经是 −7.4 %。
• 4 个模型、515 个指数、16,000 步：Kronos-small、Kronos-base、TimesFM 2.5 和 Chronos-2 都用 A 股指数继续训练，并在训练过程中的 8 个点上分别打分。
• 4 个中有 3 个从未通过：Kronos-small、Kronos-base 和 TimesFM 2.5 在任何训练点上都没有预测能力。
• Chronos-2 从 1,000 步到 16,000 步都通过了。 在 2,000 步时，它的正确率为 66.1 %，而“永远看涨”为 58.5 %；残差 rank-IC（残差秩相关系数，见下文）为 +0.40（+0.25 至 +0.50）；跟随它做的价差在扣除成本后，比“永远做牛市价差 / 永远做熊市价差”的平均多赚 ETF 价格的 +0.28 %（每笔）。在这段上涨行情里，一律做牛市价差本身就赚了 +0.25 %，所以相对只做多的交易者，它在钱上的优势很小，也不确定；明确的结果是它的排序能力。
• 检验结论不一。 去掉 2024 年的大涨或任何一个半年，它都站得住；在按月打乱的检验中，即使对我们试过的 37 个预测者做了校正，它也站得住。只看最新数据时、以及在更严格的时间平移检验中，它处在边缘；而且它的全部能力都来自约 25 个月里对整个市场涨跌的判断。
• 正在实盘检验：冻结在 8,000 步的 Chronos-2 每晚在模型检验页面上给出预测。这份战绩没有被本研究中的任何选择看到过，它才是定论的检验。大约 6 个月后做第一次查看；以这里测得的优势大小，要得到可靠的答案需要大约一年的预测，如果真实优势更小，还要更久。
• 事先固定：测试日期、规则、指标和通过标准都在计算任何结果之前提交；每个模型的训练计划和“何时停止”的规则都在它自己的结果之前提交。一处偏离计划：计划规定，只有第一个模型（Kronos-small）在训练结束时仍在进步，才微调更多模型。它没有，但我们还是又微调了三个。这是看到结果之后做出的最大的选择。

问题

本站的大多数策略都需要一个方向判断：牛市看跌价差在 ETF 不跌时盈利，熊市看涨价差在它不涨时盈利。本站的评分不猜方向，只用期权数据给一笔交易打分（见行权价权利金研究）。一个能判断方向的模型可以作为评分之上的第二层：在牛市价差和熊市价差之间做取舍。

新的时间序列基础模型在非常多的序列上训练，能预测它们从未见过的序列（“零样本”，zero-shot）。其中 Kronos 是在股票和基金的 K 线上训练的，包括 A 股。所以我们问了两个问题：

1. 零样本：这些模型直接使用，能否预测每只 ETF 到下一个到期日是涨是跌，并且在扣除交易成本后胜过简单规则？
2. 微调：如果用 A 股数据继续训练它们，能好多少？好处从哪一点开始、在哪一点停止？

诚实的起点很低：一周到一个月的指数方向接近不可预测，而六只 ETF 一起涨跌，几乎等于一个序列。

我们怎么检验

• 序列：六只期权 ETF 和中证 1000 指数（IM 期权的标的）。
• 日期：从 2024-08-01 到 2026-08-25 的每一周（101 个日期）。Kronos 的训练数据止于 2024 年 6 月，所以每个测试日期都在它之后：没有模型见过答案。
• 期限：到下一个 ETF 到期日（主测试），另加 1 周和 1 个月。
• 要胜过的简单规则：20 日和 60 日动量、5 日反转、估值百分位（便宜 → 看涨）。另有两个参照：抛硬币，和过去上涨的比例。
• 模型：Kronos-small 与 Kronos-base、TimesFM 2.5、Chronos-2，以及加入 QVIX 和估值作为额外输入的 Chronos-2。
• 指标：
  • 命中率：方向判断正确的比例，与 50 % 和“永远看涨”比较；
  • 残差 rank-IC（残差秩相关系数，rank information coefficient）：去掉动量、反转和估值已经能解释的部分之后，预测能否把结果排对顺序？它能识别出只是已知规则“换了个外衣”的模型；
  • Brier 分数：“上涨”概率的好坏（抛硬币得 0.25，越低越好）；
  • 价差盈亏：按预测方向做牛市看涨价差或熊市看跌价差（30 delta / 15 delta 行权价），持有到期，扣除买卖价差成本，以 ETF 价格的 % 计。
• 通过标准：只有同时满足以下几点，模型才算有预测能力：残差 rank-IC 连同 95 % 区间都在零以上；价差在扣除成本后胜过“永远做牛市价差 / 永远做熊市价差”的平均（区间在零以上），并且本身赚钱；Brier 分数好于抛硬币；而且这些在测试窗口的前后两半里都要成立。区间来自按日历月的自助法（bootstrap），因为七个序列是同一个市场。

零样本：没有预测能力，而且 Kronos 自信地预测错误

• 命中率。 每一个模型和规则的正确率都低于“永远看涨”（58.5 %）。最好的是估值百分位，54.4 %（47.6 % 至 61.1 %）。模型在 46–52 % 之间。
• 残差能力。 没有一个残差 rank-IC 连同区间在零以上：Kronos-small +0.07（−0.13 至 +0.28）、Kronos-base +0.10、TimesFM 2.5 −0.09、Chronos-2 −0.04、加入 QVIX 和估值的 Chronos-2 −0.02。
• 概率。 TimesFM 和 Chronos-2 接近抛硬币（Brier 0.257–0.271，硬币为 0.25）。Kronos 自信地预测错误（small 0.445、base 0.494）：它的预测路径会用力拉回过去 256 天的均值。它的 1 周预测平均是 −5.2 %，而 ETF 实际涨了 +0.5 %。
• 扣除成本后的价差。 跟随 Kronos 做的价差每笔亏损 ETF 价格的 0.12 % 至 0.14 %，区间在零以下。没有一个预测者的方向为价差带来价值。
• 长窗口。 在 2015–2024 年（只测简单规则；模型的训练数据覆盖这些年份），动量、反转和估值的正确率为 49–52 %，没有残差能力。其中包括 2015 年股灾、2018 年、2020 年 2 月和 2021 年。

微调四个模型：三个失败，Chronos-2 通过

我们用 515 个 A 股指数继续训练四个模型：来自上交所、深交所、中证和申万的行业、风格和规模指数，日线截至 2023-12-29。ETF 自己的指数，以及日涨跌与它们相关性达到 95 % 及以上的指数，都被排除在外，所以没有模型用测试对象做训练。同一批指数的 2024 年 1 月至 7 月作为验证段。每个模型训练 16,000 步（每步 32 个窗口），并在 0（未训练）、250、500、1,000、2,000、4,000、8,000 和 16,000 步时分别打分，打分方式与零样本测试完全相同。最先做的是 Kronos-small；它失败之后，我们又训练了另外三个，它们的规则同样在得到任何结果之前就写定了。

• Kronos-small 和 Kronos-base：微调修好了它们的过度自信（small 的 Brier 从 0.445 降到 0.31–0.36），Kronos-small 也学会了给自己那一类数据排序（留出指数上的 rank-IC 从 −0.09 升到 +0.26）。但这些都没有迁移到 ETF，也没有迁移到它从未见过的 300 只股票。Kronos-base 在 ETF 上的残差 rank-IC 在 2,000–4,000 步时高于它未训练时的水平，但从未明显高于零。
• TimesFM 2.5 死记了它的训练窗口（训练损失从 0.51 降到 0.09），而验证损失在 250 步之后再没有改善；它的概率反而变差了。
• Chronos-2 从 1,000 步起的每个训练点都通过了，并且在测试窗口的前后两半都成立：

• 它的验证数据并不支持它。 Chronos-2 在留出指数上的损失在 500 步时最低，随后上升；而它在从未训练过的 2023 年窗口上的损失一直在下降。这说明 2024 年初是一个不同的市场，而不是程序错误；但这也意味着，如果按验证数据来选，会选到 500 步，而 500 步并没有通过。
• 单看命中率，它的优势在任何训练点都不确定：在 2,000 步时比“永远看涨”高 7.5 个百分点（区间 −1.1 至 +13.6），在 8,000 步时高 4.8 个百分点（−7.0 至 +14.1）。

Chronos-2 的结果是真的吗？事后做的检验

这些检验是我们在看到 Chronos-2 通过之后才选的，所以它们只是证据，不是第二道标准。

• 去掉一个时期：站得住。 去掉 2024 年 9–10 月的大涨，或者去掉任何一个半年，它从 1,000 步到 16,000 步的残差 rank-IC 都在 +0.22 到 +0.43 之间，每个区间都在零以上。
• 只看最新数据：处在边缘。 从 2025 年 10 月起（所有模型都已发布之后），2,000 步时为 +0.36（−0.12 至 +0.56），区间包含零；8,000 步时为 +0.36（+0.19 至 +0.44）。
• 按月打乱：站得住。 把整月的预测随机互换 5,000 次，几乎从未得到这么高的 rank-IC（2,000 到 16,000 步的 p 值为 0.0002–0.0006）。对我们试过的 37 个预测者做多重检验校正后，它仍低于 0.05（严格的 Bonferroni 校正为 0.007–0.022，Benjamini–Hochberg 校正为 0.005–0.006）。其他预测者即使不做校正，也没有一个低于 0.05。
• 时间平移：结果很强，检验很弱。 把预测沿日期平移 5 到 96 周，会保留预测自身缓慢的漂移，而打乱会破坏它。真实的预测以很大的差距胜过全部 92 种平移（8,000 步时 rank-IC 为 +0.39；最好的平移为 +0.21）。但 92 种相互重叠的平移给出的 p 不可能小于 0.011，对 37 个预测者校正后为 0.40（Bonferroni）或 0.099（Benjamini–Hochberg）。无论预测多好，这个检验的平移次数都太少，过不了这一校正。
• 它做的是：判断整个市场的涨跌。 它预测的是七个序列是否一起涨或一起跌；它不能分辨同一天哪只 ETF 会比另一只表现更好（同一日期各 ETF 之间的 rank-IC ≈ 0）。在每个半年内部，它的能力比整个窗口弱；它的命中率只在两个下跌的半年里（2024 年下半年和 2026 年 7–8 月）明显胜过“永远看涨”。
• 没有发现未来数据。 用每个日期为止的原始价格和分红重新构建输入，结果与存储的输入完全相同。
• 还有一个事后的选择：正在实盘检验的 8,000 步，是在这些结果已知之后才选定的。

它的预测长什么样

下面是正在检验的 Chronos-2 模型（8,000 步）的十个预测（每个都预测到 1–6 周后的下一个到期日），从测试窗口中随机抽取：五组各两个（强烈看涨、中等看涨、弱、中等看跌、强烈看跌；强 = 概率距 50 % 超过 20 个百分点，中 = 10–20 个百分点，弱 = 不到 10 个百分点）。抽取方式在查看结果之前就已固定，所以猜错的预测按实际情况出现。

• 这 10 个中有 4 个猜对；在全部 704 个测试预测中，正确率为 63.4 %。 十个预测远不足以判断一个模型的好坏，这也是实盘检验需要几个月的原因。
• 其中三个猜错的预测，是在 2024 年 9 月下旬大涨之前看跌。 它们都计入了测试和上面的每一个数字。
• 预测中间值相对实际涨跌很小。 模型预测的是一个很宽的结果范围；它的中间值不是目标价，打分只看上涨概率。

这对本站意味着什么

• 评分里暂时没有方向观点。 评分继续只用期权数据给交易打分，策略网格继续把牛 / 熊的选择留给你。推荐交易和仓位大小都不使用任何模型预测。
• 改为实盘检验。 冻结在 8,000 步的 Chronos-2，在每个交易日收盘后预测七个标的各自到下一个到期日的涨跌方向，发布在模型检验页面上，战绩从 2026-10-15 起公开记录。这些预测没有被本研究中的任何选择看到过，所以它们是干净的检验。几十次预测分不清能力和运气，所以判定规则在第一个结果出来之前就已固定：积累 12 个月的每周预测之后（约 2027 年 11 月），如果残差 rank-IC 大于零、且按月打乱检验的 p 小于 0.05，检验就算通过；6 个月时的第一次查看只报告数字。
• “永远看涨”是这个窗口里最好的简单规则，但只是因为市场在上涨。它不是预测：在 2015–2024 年它只有 48–49 % 的时候是对的。

注意事项

• 大约 25 个独立月份。 七个序列作为一个市场同涨同跌，窗口还相互重叠。残差 rank-IC 大约要到 0.2 才能越过零；Chronos-2 的 +0.3 至 +0.4 做到了，但依据的只是一个市场的涨跌。
• 上涨的测试窗口。 “永远看涨”有 58.5 % 的时候是对的，每个预测者都必须胜过它。在下跌市场里，这个门槛会不同。
• Brier 门槛很低。 它只要求比抛硬币（0.25）好；一律说“58.5 % 上涨”就能得到 0.243。Chronos-2 在 8,000 步时的 0.229 只比它好 0.014。
• 不是每个预测都有用。 它中等程度的看跌预测（上涨概率 30–40 %）只有 46.5 % 的时候是对的（86 次）；强烈看涨的预测为 81.4 %（167 次）。模型检验页面按强度展示了这一点。
• 试了很多次，只有一个窗口。 37 个预测者在同一批日期上打分，正在检验的训练点是在结果出来之后选的，上面的检验也是在通过之后才选的。多重检验校正只覆盖这 37 次尝试，不覆盖这些选择；实盘检验不受其中任何一项影响。
• 价差用的是模型价格。 价差价格来自每日隐含波动率曲面、按实测远期价格计算，买卖价差成本取自本站保存的收盘报价（比盘中更宽）。在 624 个 ETF-日期中，有 34 个在某一侧没有挂牌的 15 delta 行权价。
• 训练截止日期。 Kronos 公布了截止日期（2024 年 6 月）；TimesFM 和 Chronos-2 没有公布，但它们的训练数据清单里没有 A 股序列。在最后一个模型发布之后的日期上（2025 年 10 月起），没有一条简单规则、也没有一个未训练的模型通过标准；微调的 Chronos-2 在 1,000–2,000 步时处在边缘，从 4,000 步起明确通过。
• 只用了指数 K 线。 四个模型都只用指数 K 线训练。更多数据或其他输入，结果可能不同。

自己复现

本页没有可下载的脚本：期权价格来自不公开的每日历史隐含波动率曲面，微调也需要 GPU 和数小时计算。下面列出公开的输入和方法。

数据：

方法：

1. 日期与目标。 周度测试日期为 2024-08-01 至 2026-08-25。目标 = 到下一个 ETF 到期日的对数收益的符号和大小（另有 5 个和 21 个交易日）。每次预测只用该日期及之前的数据。
2. 简单规则。 20 日和 60 日动量、5 日收益的相反数，各自按近期波动率缩放；0.5 减去综合估值百分位。
3. 模型。 每个模型根据过去 256 根 K 线（Kronos）或过去 512 个收盘价（TimesFM、Chronos-2）预测未来 30 个交易日。对 Kronos，P(上涨) = 64 条抽样路径中终点高于当日价格的比例；对 TimesFM 和 Chronos-2，则从它们的预测分位数读出。
4. 残差 rank-IC。 在全部样本上把预测（其大小 ÷ 近期波动率）对四条简单规则做回归，保留残差，计算它与结果（收益 ÷ 近期波动率）的秩相关（Spearman）。95 % 区间来自按日历月的自助法。
5. 价差。 每个日期，预测上涨就做牛市看涨价差，预测下跌就做熊市看跌价差：买入 30 delta 期权、卖出 15 delta 期权，持有到期。盈亏扣除完整的买卖价差和每张每腿 2 元，以 ETF 价格的 % 计。“方向价值” = 盈亏减去“永远做牛市价差”与“永远做熊市价差”的平均。
6. 微调。 每个模型都从公开权重出发，使用 515 个指数截至 2023-12-29 的窗口（ETF 自己的指数以及相关性 ≥ 0.95 的指数除外）。Kronos-small 和 Kronos-base：256 天 K 线 + 30 天预测，分词器保持不变，只训练预测部分，学习率 4e-5。TimesFM 2.5 和 Chronos-2：512 个收盘价 + 30 天，用各自的训练损失训练全部权重，学习率分别为 1e-5 和 1e-6。批量 32 个窗口，在 0、250、500、1,000、2,000、4,000、8,000 和 16,000 步时用与零样本相同的测试打分，另加留出指数（2024 年 1–7 月），Kronos 模型还加 300 只股票（2025 年 12 月至 2026 年 9 月）。
7. 事后检验。 按月打乱：把整月的预测随机重新分配 5,000 次，每次重新计算残差 rank-IC。时间平移：把预测沿日期平移 5 到 96 周的每一种偏移（首尾相接）。p 值 = 打乱后的结果中不低于真实结果的比例；Bonferroni = p × 37；Benjamini–Hochberg 校正作用于排序后的 37 个 p 值。