MicroTSM：融合市场微观结构特征的金融时序模型

金融时序模型通常基于开盘价、最高价、最低价、收盘价和成交量等 OHLCV 汇总数据训练。这类输入压缩了真实交易过程，也省略了订单提交与撤销、队列失衡和逐笔成交等信息。

MicroTSM 研究当序列模型获得更丰富的市场信息后会发生什么。研究使用 2015 至 2025 年超过 5,000 只中国股票的 Level-2 订单簿与逐笔交易记录，构建了 137 个分钟级市场微观结构特征进行评估。

微观结构数据是金融 AI 的重要前沿方向

实验显示，Level-2 与逐笔交易等市场微观结构特征对预测的贡献显著高于仅使用传统 OHLCV 数据。移除微观结构特征后，模型预测能力明显下降。

这说明订单与交易如何发生所包含的信息，是聚合价格和成交量数据无法完整保留的；更细粒度的市场观测，为金融 AI 提供了新的信号空间。

Scaling Law 在金融时序中初步显现

当 MicroTSM 的参数规模从 30M 扩展到 1.5B，多项收益与风险调整后指标均得到提升。这为金融时序模型中可能存在的 Scaling Law 提供了初步证据。

目前这一趋势已在测试规模内显现。继续验证更大模型和更广训练范围，需要更多算力投入，也是下一阶段的研究方向。

垂域专用架构优于通用基线

MicroTSM 面向金融序列建模设计，将 Transformer decoder 与门控机制等垂域建模方法结合。在报告的实验中，其收益、夏普比率与换手率表现优于通用 Transformer 变体及其他基线模型。

样本外回测覆盖 2023 至 2025 年。研究还发现，MSE 与 MAE 等传统预测误差并不能充分代表下游交易表现，金融模型的评估需要回到它最终支持的决策结果。