Des chercheurs présentent EXAONE Forecast for Finance (EXAONE Finance), un modèle de fondation pour séries temporelles spécifiquement conçu pour la prévision en finance. Lobjectif est de répondre aux limites des modèles généralistes de séries temporelles, souvent préentraînés hors du domaine financier et reposant sur des mécanismes dattention dont le coût augmente fortement avec la longueur des séquences et le nombre de variables.
Le rapport explique que ces contraintes sont particulièrement problématiques pour les marchés financiers, où les données sont souvent longues, multicanales et partiellement observées. Pour y remédier, EXAONE Finance adopte une architecture sans attention. Elle remplace lauto-attention par deux opérateurs à complexité linéaire : une convolution causale 1D pour le mélange temporel, et un MLP avec pooling sensible aux groupes pour le mélange entre variables.
Les auteurs ajoutent également un mécanisme de masked context augmentation, destiné à exposer le modèle à des segments continus manquants pendant lentraînement. Cette approche vise à améliorer la robustesse face aux absences de données, fréquentes dans les jeux financiers réels. Le préentraînement couvre un corpus financier large, incluant actions, devises, matières premières, cryptoactifs, revenu fixe et indicateurs macroéconomiques.
Selon le papier, EXAONE Finance obtient des performances state of the art sur FinVerse, un benchmark de prévision financière couvrant plusieurs classes dactifs. Le modèle se classerait premier sur trois niveaux dévaluation : précision des prévisions ponctuelles, classement transversal des actifs et rentabilité de portefeuille. Ces résultats restent à interpréter à la lumière dun rapport technique encore diffusé via arXiv, mais ils illustrent la montée en puissance de modèles spécialisés pour lIA financière.