Falcon TST 2.0登顶权威测评，时间序列模型加速向金融垂直场景落地

事件概述

蚂蚁国际正式发布自研时序AI预测大模型“鹰序TST”（Falcon TST, Time-Series Transformer）2.0版。该模型在全球权威基准测试中表现优异，平均绝对比例误差（MASE）降至0.666，超越多家全球顶尖科技公司的时间序列预测模型。目前，巴克莱银行、花旗银行、德意志银行、渣打银行等大型金融机构已将“鹰序TST”2.0应用于现金流预测与外汇管理，其预测准确率稳定超过93%，并正逐步拓展至电商供应链、航空运营等非金融领域。

核心信息与技术演进

1. Falcon TST 2.0 的技术架构升级

• Falcon-2.0：基于ORBIT训练框架的Encoder-Only单变量TSFM。相比初代层次化混合专家架构，其更适合单次前向计算完成直接预测，减少自回归生成的延迟和误差累积。API支持输出21个分位点（0.01至0.99），并提供input_mask以处理节假日、停牌等缺失值问题。
• Falcon-X：专注于异构多变量关系建模。通过差分注意力机制识别正向和负向关联，将不同物理含义的变量转换为统一隐空间表示。最大公开实验版本为591M参数，在GIFT-Eval中MASE为0.687，能够直接处理“汇率—利率—波动率—商品”等复杂变量关系。

2. 行业背景：通用模型在金融领域的局限

• 数据分布差异：金融市场具有低信噪比、厚尾、波动率聚集等特征，且存在频率不一致和缺失值问题。曼彻斯特大学等机构的研究表明，直接使用现成预训练TSFM进行零样本预测效果较弱，需依赖领域数据重新预训练或微调。
• 收益转化挑战：独立研究显示，尽管TimeGPT、TimesFM 2.5等模型在通用任务中表现优异，但在相对随机游走基准的增益较小，部分任务仍由本地监督训练的iTransformer胜出。因此，金融机构更倾向于将TSFM视为可迁移的预测底座，结合领域数据和风险约束进行二次验证。

3. 主流竞品技术路线对比

• Amazon Chronos-2：引入Group Attention实现上下文学习，支持单/多变量及协变量预测，强调相关序列间的上下文共享。
• Google TimesFM 2.5：参数量降至200M，上下文长度扩展至16384，增加连续分位数预测头，生态上支持LoRA微调和Agent接口。
• Salesforce Moirai 2.0：采用Decoder-Only架构，通过分位数损失和多Token预测提升效率，小型版本仅11.4M参数，证明小模型在特定策略下具备竞争力。
• IBM FlowState：基于状态空间模型，重点解决跨采样率和可变预测区间的适应性问题，适合高频或频率不一致的场景。

值得关注：金融场景的商业落地验证

Falcon TST的发展路径呈现出“先业务验证，后公开模型”的特点，已在多个真实资金管理场景中产生实效：

• 巴克莱银行：将TST接入BARX NetFX外汇对冲平台，用于提高外汇敞口预测准确度，旨在减少不必要对冲和银行风险溢价。
• 花旗银行：联合试点面向航空客户的外汇风险管理，结合Citi Fixed FX Rates解决方案，试点客户对冲成本节省约30%。
• 渣打银行：将Falcon TST接入SCALE聚合流动性引擎，实现24小时实时外汇敞口预测。披露数据显示，相关外汇成本最高下降60%，流动性管理成本最高下降50%。
• Capital A (AirAsia)：作为首个商业部署案例，披露按小时、日、周的预测准确率达到90%，外汇对冲成本最高下降40%。

结论与展望