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
相关研究与后续进展
核心概要
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。
Figure 1: Overview of DIVINE, which jointly reconstructs diverse technical indicators across markets and transfers the pretrained encoder to downstream stock ranking.
arXiv深度剖析
提出 DIVINE（DIVerse INdicator rEconstruction），一种从原始 OHLCV 历史重建技术指标的跨市场预训练框架，用于股票排序的下游迁移。 既有金融时序预训练目标依赖掩码观测、对比关系或未来结果，而该工作改用由已观测价量历史计算得到的技术指标作为监督信号，从而在避免未来监督不确定性的同时保持与收益预测的关联。 摘要说明技术指标由已观测价量历史计算，具有跨市场一致定义，并总结多样市场动态且与收益预测有既定相关性；预训练在六个股票市场数据集上联合进行。
预训练重建 77 个由 16 个标准指标导出的目标，下游仅迁移学习到的编码器用于股票排序。 将监督设计具体化为多指标、多目标的重建任务，并把预训练与下游任务解耦为只迁移编码器。 摘要给出 77 个目标与 16 个标准指标的具体数量，并说明只迁移编码器到下游股票排序。
在全部六个市场上，DIVINE 以 0.05M 参数编码器取得最强平均组合表现，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，同时保持稳健与数据高效。 以轻量编码器在跨市场平均组合表现上达到该比较结果，指向监督设计与跨市场多样性而非模型规模是强可迁移金融表征的关键驱动。 摘要报告六个市场的平均组合表现比较，涉及预训练基线与更大的金融基础模型，并称结果稳健且数据高效；具体数值未在文本中给出。
系统分析显示指标多样性与市场多样性在迁移中提供互补增益。 把性能来源拆解为监督目标多样性与跨市场数据多样性两个维度，并指出二者互补。 摘要以“Systematic analyses”表述该分析结论，未在文本中列出具体消融设置或数值。
启示与展望
该工作面向跨市场股票排序场景：在六个股票市场数据集上联合预训练，仅将编码器迁移到下游排序任务，并以平均组合表现作为评价口径。其适用范围是具备原始 OHLCV 历史、且技术指标可一致定义的市场；摘要所述“稳健与数据高效”也限定在这一预训练—迁移设定内。对希望以轻量编码器获得可迁移金融表征的研究者与工程实践者，该框架提供了以监督设计替代模型规模的一条路径。
文本为摘要级信息，未给出各市场的具体组合表现数值、预训练与下游数据的时间区间、基线清单与规模、以及“稳健与数据高效”的量化依据；指标多样性与市场多样性互补增益的具体消融设置也未列出。因此读者仍需关注：这些结论在不同市场、不同评价口径下是否一致，以及 0.05M 参数编码器与更大金融基础模型的比较在何种条件下成立。