Time-Series-Foundation-Models für die Finanzprognose

Ein Time-Series-Foundation-Model ist ein Netz, das auf vielen Reihen vortrainiert wurde und eine neue, nie gesehene Reihe prognostiziert, ohne jeden Fitting-Schritt. Auf Finanzdaten gewinnt es, wenn Sie tausende kurze oder spärliche Reihen haben und keine Zeit, jede einzeln zu modellieren; und es verliert gegen eine getunte Baseline auf einer einzelnen hochwertigen Reihe, die den Modellierungsaufwand wert ist.

Diese Unterscheidung ist wichtig, weil das Marketing der Messung vorausgeeilt ist. Zero-Shot-Forecasting ist eine echte Fähigkeit und für den Long Tail, den klassische Pipelines vernachlässigen, wirklich nützlich. Es lässt sich aber auch leicht auf einem kuratierten Benchmark demonstrieren. Auf einem Zahlungs-Ledger, wo die Reihe strukturelle Brüche, an Settlement-Regeln gebundene Kalendereffekte und einen Quartalsend-Spike trägt, den kein generischer Korpus dem Modell beigebracht hat zu erwarten, ist ihm viel schwerer zu vertrauen.

Was das vortrainierte Modell tatsächlich gelernt hat

Diese Modelle trainieren auf Sammlungen, die Einzelhandelsumsätze, Stromlast, Wetter und was auch immer an öffentlichen Zeitreihen-Archiven die Autoren zusammentragen konnten, mischen. Sie lernen Formen: Trend, verschiedene Ausprägungen von Saisonalität, Level-Shifts, die Art, wie ein Spike abklingt. Wenn Ihre Finanzreihe wie eine dieser Formen aussieht, ist der Transfer stark und die Zero-Shot-Prognose out of the box konkurrenzfähig.

Das Problem ist, dass viele Finanzreihen nicht wie die Pretraining-Verteilung aussehen.

• Cashflows werden von vertraglichen Terminen getrieben, nicht von glatter Saisonalität. Eine Forderung geht ein, wenn die Zahlungsbedingungen es sagen, und das Modell hat keine Kovariate, die ihm sagt, dass eine große Rechnung am Fünfzehnten fällig ist.
• Viele Reihen sind intermittierend. Chargebacks, Disputes und bestimmte Gebührenposten liegen über lange Strecken bei null mit gelegentlichen Ausbrüchen, und ein auf dichten Demand-Reihen getuntes Modell neigt dazu, sie über zu glätten.
• Das interessante Verhalten sitzt oft im Tail der Verteilung, und Punktprognosen, die auf den durchschnittlichen Fehler optimiert sind, unterschätzen es.

Nichts davon macht die Modelle nutzlos. Es bedeutet, dass Sie wissen müssen, welche Ihrer Reihen dem ähneln, was das Modell gesehen hat. Das finden Sie heraus, indem Sie evaluieren, nicht indem Sie der Schlagzeilen-Kennzahl auf dem Benchmark eines anderen vertrauen.

Wo sich Zero-Shot seinen Platz verdient

Das stärkste Argument ist die Breite. Angenommen, Sie prognostizieren Salden für zehntausende Accounts oder Demand über einen langen Katalog von SKUs, und der Bau eines dedizierten Modells pro Reihe ist nicht wirtschaftlich. Ein Foundation-Model liefert Ihnen mit einem einzigen Inference-Pass eine vernünftige Prognose für jede Reihe, ohne Fitting pro Reihe und ohne Feature-Engineering. Das ist ein echter operativer Gewinn, und genau hier haben diese Modelle verändert, was ein kleines Team abdecken kann.

Sie funktionieren auch gut als Cold-Start-Default. Ein neuer Händler mit drei Wochen Historie hat bei Weitem nicht genug Daten, um etwas Maßgeschneidertes zu fitten, und der Prior des vortrainierten Modells schlägt eine flache Linie, während Sie Historie aufbauen. Manche dieser Modelle akzeptieren Kovariaten und unterstützen leichtes Fine-Tuning, sodass Sie mit Zero-Shot starten und anpassen können, sobald die Reihe gewachsen ist.

Ein paar praktische Anmerkungen aus dem Verdrahten dieser Modelle in eine Finanz-Pipeline:

• Füttern Sie das Modell mit einer Point-in-Time-Sicht. Wenn Ihr Feature Store rekonstruieren kann, was zum jeweiligen Prognosedatum bekannt war, nutzen Sie das. Ein Foundation-Model konsumiert bereitwillig eine geleakte Zukunftskovariate und produziert eine Prognose, die im Backtest brillant aussieht und in der Produktion auseinanderfällt.
• Behalten Sie das Context Window im Auge. Die meisten dieser Modelle kürzen die Historie auf eine feste Länge. Wenn Ihr dominanter Zyklus jährlich ist und das Fenster neun Monate fasst, sieht das Modell nie eine volle Periode, und der saisonale Term ist Ratespiel.
• Bevorzugen Sie den probabilistischen Output. Finanzentscheidungen interessieren sich mehr für das Intervall als für den Punkt. Ein Modell, das Quantile ausgibt, lässt Sie ein Coverage-Ziel setzen und die Kalibrierung prüfen; eine nackte Punktprognose kann das nicht.

Wo eine getunte Baseline weiterhin gewinnt

Für eine einzelne Reihe, die zählt und auf die Sie täglich schauen, zahlt sich der Aufwand eines dedizierten Modells in der Regel aus. Ein gut spezifiziertes Exponential-Smoothing- oder ARIMA-Modell, oder ein Gradient-Boosted-Regressor über gebaute Kalender- und Lag-Features, kann Domänenstruktur kodieren, die ein generisches Modell schlicht nicht kennen kann: Ihren Settlement-Kalender, Ihre Abrechnungszyklen, die Tatsache, dass sich der letzte Geschäftstag des Monats anders verhält, den Regressor, der einen Marketing-Push markiert. Das Foundation-Model muss all das aus der rohen Reihe herleiten. Ihrer Baseline wird es gesagt.

Der andere Vorteil ist Nachvollziehbarkeit. Wenn ein getuntes Modell falsch liegt, können Sie seine Koeffizienten lesen, nachverfolgen, welcher Lag oder welches Feiertags-Flag den Miss trieb, und es einem Controller erklären, der die Zahl abzeichnen muss. Ein großes vortrainiertes Netz gibt Ihnen weit weniger, worauf Sie zeigen können, und in einem regulierten Finanzumfeld sind der Audit-Trail und die Lineage einer Prognose kein optionales Extra.

Führen Sie das Bake-off also sauber durch:

• Bauen Sie eine Rolling-Origin-Evaluierung statt eines einzelnen Train-Test-Splits, damit Sie sehen, wie sich jedes Modell über viele Prognosedaten und Regime hält.
• Scoren Sie auf der Metrik, die die Entscheidung nutzt. Weighted Quantile Loss für einen Coverage-sensitiven Prozess, skalierter Fehler für die reihenübergreifende Vergleichbarkeit, und eine separate Prüfung auf den Perioden, die tatsächlich Geld kosten, etwa das Quartalsende.
• Vergleichen Sie zuerst gegen eine Seasonal-Naive-Baseline. Wenn das Foundation-Model auf Ihren Daten Seasonal-Naive nicht schlagen kann, kauft die Raffinesse gar nichts. Allein dieses Ergebnis zu kennen, ist den Vergleich schon wert.
• Wiederholen Sie den Vergleich nach einem festen Turnus. Sowohl das vortrainierte Modell als auch Ihre Baseline driften, während sich der zugrunde liegende Prozess bewegt, und der Sieger beim Onboarding ist möglicherweise nicht der Sieger zwei Quartale später.

Das nützliche mentale Modell ist ein Portfolio. Foundation-Models decken die vielen Reihen ab, die Sie von Hand nie zu modellieren rechtfertigen könnten, und geben Ihnen einen schnellen, ordentlichen Default für alles Neue. Getunte Modelle halten die Reihen, in denen Genauigkeit und Audit-Trail echtes Gewicht tragen. Zu entscheiden, welche Reihe wohin gehört, ist die eigentliche Arbeit. Es ist ein Evaluierungsproblem, bevor es ein Modellierungsproblem ist.