DualCast：双路径语言模型，让金融时序预测同时读懂价格与新闻
当语言模型开始「读懂」K线
金融时间序列预测一直面临一个尴尬的现实：价格数据本身是连续、低信噪比的数值流，而真正驱动市场波动的新闻、公告、宏观事件却是离散的文本。传统模型要么只吃数字，要么把文本当作外挂特征，很难让两者在同一套表征空间里协同工作。
arXiv 上最新提交的论文 DualCast 提出了一种双路径框架，试图用「冻结的大语言模型 + 离散金融词表」来统一这两类信号。作者来自 Wentao Zhao、Hongqiang Wu、Shanghang Liu、Zhaochen Zan、Yu Zhang、Biqing Huang 等人，论文编号 arXiv:2609.38197，归类于 cs.LG 与 cs.AI。
把收益率「切块」成 token
DualCast 的核心设计是把每个对数收益率片段（patch）编码为 一个学习到的摘要 token 加三个残差形状 token。这种表示既保留了局部的漂移与波动率信息，又让形态模式可以在不同资产之间共享——换句话说，股票和能源期货的「走势形状」可以被同一套词表复用。
为了让这套离散词表不塌缩成少数几个高频 token，研究团队还设计了 自适应频率均衡残差向量量化（adaptive frequency-equalizing residual vector quantization），在不牺牲重建精度的前提下重新平衡过载的码字。
快路径与慢路径的分工
整个框架分成两条路径：
- 快路径（fast path）：在冻结的 Qwen3-8B 骨干上，只训练新增的金融 token 嵌入和输出头，快速给出一个纯数值预测。
- 慢路径（slow path）：通过一个可开关的 LoRA 适配器，以快路径的预测和预测时点可获得的新闻为条件，输出修正后的预测。
慢路径的「修正器」先经过监督微调初始化，再用 收益空间群组相对策略优化（return-space group relative policy optimization）进一步优化，奖励信号直接来自「比快路径预测得更准」。
零样本评测：12 个设定中 8 个最优
在覆盖股票与能源价格、时间粒度包括 5 分钟、日频、周频 的零样本评测中，慢路径在 12 个数据集-预测跨度设定里有 8 个取得最低的平均绝对百分比误差（MAPE），其中包括所有最长跨度的设定。
新闻消融实验显示，在大多数测试设定中引入新闻都能带来额外增益，但增益幅度因市场而异——这意味着文本信号的价值并非在所有市场、所有频率上都稳定。
这意味着什么
DualCast 的思路是把「快速数值预测」和「可选文本修正」解耦：基础预测不依赖新闻也能跑，新闻只在能提供增量信息时才介入。这种设计对实际部署比较友好——新闻管道断掉时，快路径仍然可用。
不过需要注意，论文目前是 arXiv 预印本，尚未经过同行评审；新闻增益在不同市场间的波动也提示，文本条件修正的泛化能力仍需更多验证。
对于关注「LLM 能否真正理解金融时序」这一问题的读者来说，DualCast 提供了一个值得跟踪的方向：不是让语言模型直接预测价格，而是让它学会一套金融离散词表，再在这个空间里做条件修正。
