Crossing-Free Probabilistic K-Line Forecasts Without Retraining

📄 arXiv: 2607.26792v1 📥 PDF

作者: Runyao Yu, Yuchen Tao, Yujie Chen, Wentao Wang, Derek W. Bunn

分类: stat.ML, cs.AI, cs.CE, cs.LG, q-fin.CP

发布日期: 2026-07-29

备注: 8 pages, 2 figures, 6 tables

💡 一句话要点

提出K线-分位序列投影方法以解决K线预测中的一致性问题

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

关键词: 概率K线预测 分位交叉 K线交叉 序列投影 模型一致性 金融预测 时间序列分析

📋 核心要点

  1. 现有的概率K线预测方法在处理分位交叉和K线交叉时存在不足，导致预测结果不一致。
  2. 论文提出的K线-分位序列投影（KQSP）方法，无需训练和参数设置，能够有效解决上述一致性问题。
  3. 实验结果表明，KQSP在所有测试数据上将分位和K线交叉率降至零，显著提升了预测的可靠性。

📝 摘要（中文）

概率K线预测描述了开盘价、最高价、最低价和收盘价（OHLC）的不确定性。然而，这种方法引入了两个一致性问题：分位交叉和K线交叉。分位交叉是指高分位预测低于低分位预测，而K线交叉则是指预测的最低价超过开盘或收盘价，或预测的最高价低于开盘或收盘价。现有解决方案通常仅通过输出重排序、专门架构或惩罚训练目标来解决其中一个问题。我们提出了K线-分位序列投影（KQSP），这是一种无参数且无需训练的调和方法，适用于任何模型生成的预测。与其他交叉解决方案相比，KQSP在保持预测准确性的同时，对原始预测进行的修正显著更小。KQSP将所有测试数据的分位和K线交叉率降至零，表明概率K线一致性可以独立于预测生成并且无需重新训练。

🔬 方法详解

问题定义：本文旨在解决概率K线预测中的分位交叉和K线交叉问题。现有方法通常只能针对其中一个问题进行处理，导致预测结果的不一致性和准确性下降。

核心思路：K线-分位序列投影（KQSP）是一种无参数且无需训练的调和方法，能够独立于模型生成的预测进行一致性修正，确保预测结果的合理性。

技术框架：KQSP的整体架构包括输入预测值、应用序列投影以消除交叉问题、以及输出修正后的预测结果。该方法不依赖于特定的模型架构，适用于多种预测模型。

关键创新：KQSP的主要创新在于其无参数和无训练的特性，使得一致性修正过程更加高效，且在保持预测准确性的同时，显著减少了对原始预测的修正幅度。

关键设计：KQSP的设计中没有复杂的参数设置和损失函数，主要通过序列投影技术实现对预测结果的调整，确保了方法的通用性和易用性。该方法的有效性在多种模型上得到了验证。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，KQSP方法在所有测试数据上将分位和K线交叉率降至零，显著优于现有的交叉解决方案。与基线模型相比，KQSP在保持预测准确性的同时，修正幅度显著降低，展示了其优越的性能。

🎯 应用场景

该研究的潜在应用领域包括金融市场分析、股票价格预测和其他需要处理时间序列数据的不确定性问题。KQSP方法能够提高预测结果的一致性和可靠性，从而为投资决策提供更为准确的依据，具有重要的实际价值和未来影响。

📄 摘要（原文）

Probabilistic K-line forecasting describes uncertainty in four complementary prices, namely open--high--low--close (OHLC). However, it introduces two consistency problems: quantile crossing and K-line crossing. Quantile crossing occurs when a higher-quantile forecast falls below a lower-quantile forecast, while K-line crossing occurs when the forecast low exceeds the open or close, or the forecast high falls below the open or close. Existing solutions generally address only one problem through output reordering, specialized architectures, or penalized training objectives. We propose K-line--Quantile Sequential Projection (KQSP), a parameter-free and training-free reconciliation method applicable to forecasts produced by any model. Compared with other crossing solutions, KQSP preserves predictive accuracy while producing substantially smaller corrections to the original forecasts. To mitigate model bias, we evaluate KQSP using various models, including pretrained foundation models. KQSP reduces both quantile and K-line crossing rates to zero for all test data undertaken. These results show that probabilistic K-line consistency can be enforced independently of forecast generation and without retraining.