arXiv 2026年10月5日DIVINE 提出一种跨市场股票预训练框架，从原始 OHLCV 历史重建由 16 个标准技术指标导出的 77 个目标，在六个股票市场联合预训练后仅迁移编码器用于下游股票排序，在全部六个市场取得最强平均组合表现，以 0.05M 参数编码器超过预训练基线并匹配或超过规模大得多的金融基础模型，且分析显示指标多样性与市场多样性在迁移中带来互补增益。DIVINE 提出一种跨市场股票预训练框架，从原始 OHLCV 历史重建由 16 个标准技术指标导出的 77 个目标，在六个股票市场联合预训练后仅迁移编码器用于下游股票排序，在全部六个市场取得最强平均组合表现，以 0.05M 参数编码器超过预训练基线并匹配或超过规模大得多的金融基础模型，且分析显示指标多样性与市场多样性在迁移中带来互补增益。DIVINE 用 16 个技术指标重建出 77 个目标做跨市场股票预训练，以 0.05M 参数编码器在六个市场取得最强平均组合表现DIVINE 提出一种跨市场股票预训练框架，从原始 OHLCV 历史重建由 16 个标准技术指标导出的 77 个目标，在六个股票市场联合预训练后仅迁移编码器用于下游股票排序，在全部六个市场取得最强平均组合表现，以 0.05M 参数编码器超过预训练基线并匹配或超过规模大得多的金融基础模型，且分析显示指标多样性与市场多样性在迁移中带来互补增益。DIVINE 提出一种跨市场股票预训练框架，从原始 OHLCV 历史重建由 16 个标准技术指标导出的 77 个目标，在六个股票市场联合预训练后仅迁移编码器用于下游股票排序，在全部六个市场取得最强平均组合表现，以 0.05M 参数编码器超过预训练基线并匹配或超过规模大得多的金融基础模型，且分析显示指标多样性与市场多样性在迁移中带来互补增益。