时间序列基础模型中的预测坍缩现象与 CalibRank 解法

在预测 1000 只美股小时级收益时，时间序列基础模型（TSFM）出现预测近乎平坦、横截面相关性差的"预测坍缩"现象，而同一设定下预测成交量时该现象基本消失。研究覆盖 TSFM、12 个深度学习预测模型和 97 个公开基准配置，发现其与目标可预测性密切相关，并揭示校准与排序之间的权衡：优化平方误差导致预测平坦，直接优化横截面相关性可提升排序但会使预测幅度膨胀逾一个数量级。