Игрокам на бирже посвящается. Кажется, за последнее время (да и за долгую историю) уже много раз бывало, что простые бейзлайны бьют всю эту сложную монстрологию. Towards Financial World Modeling __Humzah Merchant, Alec Guthrie, Simon Mahns, Randall Balestriero, Bradford Levy__ Paper: https://arxiv.org/abs/2610.09048 Code: https://github.com/fin-ai-lab/tfwm Model: https://huggingface.co/fin-ai-lab Review: https://arxiviq.substack.com/p/towards-financial-world-modeling ЧТО сделали: Авторы представили открытый датасет Market-1T из почти триллиона секундных наблюдений по акциям за 2008–2025 годы. На нём протестировали 18 методов обучения энкодеров (с учителем, self-supervised и предобученные модели) в роли состояний для финансовых моделей мира. Каждое представление проверили на 32 исторических режимах рынка: оценивали прогноз на 15 минут вперёд и геометрию латентного пространства. ЧТО получили: Точность прогнозов и структура латентного пространства почти не коррелируют между энкодерами (корреляция Спирмена ρ = −0.19). На прогнозе 15-минутной доходности многоголовая модель с учителем набирает ранговый информационный коэффициент (IC) 0.0311 против 0.0170 у необученного случайного Vision Transformer (Random ViT) и 0.0196 у гребневой регрессии по последним 24 сырым входным токенам. Большинство self-supervised методов уступают обоим бейзлайнам (от 0.0095 у Time-Frequency Consistency, TF-C, до 0.0205 у TS2Vec), а при равных вычислениях маленькие энкодеры (5.4M ViT-Tiny) обыгрывают большие (86M ViT-Base). ПОЧЕМУ это важно: Оптимизация энкодера только под прогноз следующей доходности сжимает его эффективную размерность до 2.8–3.7 направлений и стирает структуру компаний, дней и межрыночных факторов, нужную для планирования сделок. Впрочем, авторы тестируют только статические замороженные энкодеры, а не полноценные модели мира с действиями, и используют разную агрегацию токенов при обучении и линейном пробинге. Разбираться с фундаментальными моделями для рынка здесь: https://t.me/gonzo_ML_podcasts/4838