无套利拿走之后，方向准确率跌回了抛硬币

无套利拿走之后，方向准确率跌回了抛硬币

一个数字开场：64.89%。

这是一组模型在崩盘行情里判断价格方向的成功率。不算惊人，但显著好于瞎猜。然后研究者做了一件很朴素的事：把训练目标里的无套利约束删掉，其它什么都不动。方向准确率掉到 50.32%。

百分之五十点三二，就是抛硬币。一段物理约束，是这台机器从「有点用」到「没用」之间的全部距离。

这篇论文叫 ARTEMIS，2026 年 3 月挂上 arXiv，作者 Rahul D Ray，单人作品。名字展开是「通过经济模型与可解释符号获得无套利表示」。它属于一个正在成形的家族：神经符号模型做金融预测。神经网络管拟合，符号规则管解释，经济学管约束。这份素材来自 ApexQuant 的视频拆解，数字经与论文原文逐一对过，全部吻合——但视频没讲完整的部分，后面补上。

三个组件，各管一件事

第一件：时间戳不是噪音。 金融数据是极其不规矩的——开盘密集、午休真空、崩盘时一秒钟涌出平时一小时的单量。传统做法是插值对齐成整齐的网格，模型好处理。ARTEMIS 的第一步把这个动作停了：它用一个叫 Laplace Neural Operator 的连续时间编码器直接吃不规则时间点。这套工具来自算子学习一脉，用拉普拉斯变换把输入分解成一组指数基，天然擅长长程记忆，而且「什么时刻发生的」本身就是输入的一部分。撮合到达的时间间隔藏着市场状态的线索，抹平它等于把信息扔掉。

第二件：把经济学当物理教。 过去几年物理信息神经网络的路数是：把物理定律（热传导、流体）写成偏微分方程残差，塞进损失函数，网络就不敢学出违反物理的东西。ARTEMIS 做的是同一件事，只是把物理换成了金融学的基本法：无套利。无套利条件通过 Feynman-Kac 公式变成一个可计算的残差项——模型给出的价格过程如果隐含「今天一块钱明天保证变两块」这种免费午餐，损失函数立刻惩罚。另一道约束管夏普比率：模型学出的策略如果呈现出高得不真实的瞬时夏普比率，也被压住。金融学里「太好了以至于不真」的东西，往往不是机会，是过拟合。

第三件：让规则在训练中长出来。 这是最有意思的一层。模型中间加了一个符号瓶颈：潜变量先被蒸馏成稀疏的数学表达式——若干个由少量算子和系数组成的闭式公式——再交给输出层。整个过程可微分、端到端训练。效果是双重的：瓶颈强迫信息压缩，防过拟合；同时最终模型自带一份人类可读的规则清单。可解释性不是训练完再请 SHAP 来验尸，而是架构本身就说人话。事后归因和事前立规，是两条路：前者解释黑箱为什么错，后者从一开始就限制它只能怎么对。

完整的战报，包括输的那两场

视频标题说「同时实现可解释与 SOTA」。这个说法需要把四张考卷摊开看。

DSLOB 数据集上 64.96%，全场第一。Time-IMM 数据集上 96.0%，也是第一，还拿下最低误差。这两场赢得漂亮。但剩下两场值得说出来：Jane Street 真实交易数据上，方向准确率 51.5%，与 LSTM 并列，没赢；Optiver 波动率预测上更尴尬，方向准确率 45.82%，排位靠后，秩相关系数是负的。而四个数据集里，DSLOB 是论文自己造的合成数据（把历史崩盘放大成极端行情的测试场），Time-IMM 是气温数据。也就是说：两项最亮眼的领先，一个在合成数据上，一个不在金融市场；两场真实金融考试，一场打平一场落后。

论文自己的归因很诚实：Optiver 序列太长、目标是波动率、特征太少，这暴露了框架的适用边界。这个边界值得放大：经济约束帮的是「方向判断」这个任务，当任务变成预测波动率幅度时，无套利这根护栏就不在路上了。

消融表里藏着一个故意的交易

把消融实验完整摆出来，是个四层台阶的故事。整套模型换成 MLP：35.04%，比瞎猜还差。同时删掉两道物理损失：41.77%，同样不如随机。只删无套利：50.32%。只删夏普约束：56.82%。全保留：64.89%。每一层台阶都在给一个组件单独定价，其中无套利那格最陡。

还有一处更微妙的。删掉随机微分方程那组，误差指标断崖式下跌——预测的数值精度大幅变好，方向准确率反而只轻微下滑。看起来像「删了个坏组件」，论文却把它读成设计意图：随机项增加的是预测的方差，牺牲点精度，换来的是分布外行情里的稳健。崩盘 regime 的压力测试支持这个说法——带 SDE 的版本在行情越极端时退化得越慢。这是论文里最诚实的一段：不是所有组件都让所有指标变好，知道自己在用什么换什么。

回到那个数字

这套东西的骨架其实很老：把领域的第一性原理做成损失函数，是物理学界用熟了的招。新的是三件事同时发生——无套利这个金融学约束第一次以可微形式进入深度模型的时间路径；不规则时间戳从待清洗的脏数据升格为输入特征；可解释性从事后报告变成架构属性。

对做模型的人，它给了一个可复制的消融模板：每加一条领域约束，都该能回答「删掉它掉多少分」。对看模型的人，64.89 到 50.32 这一跳本身就是一堂课：约束不是装饰，是预测能力的承重墙。

至于实盘——论文全文用的都是公开数据与合成场景，作者也明说了实盘表现可能显著不同。视频结尾那句话留着：先谈风控，再谈收益。

*参考：Ray, R. D. (2026). ARTEMIS: A Neuro-Symbolic Framework for Economically Constrained Market Dynamics. arXiv:2603.18107；Berto, A. et al. Laplace Neural Operator for Solving Differential Equations（LNO 工具谱系）；视频素材：ApexQuant《ARTEMIS 深度拆解》，数字经论文原文核对，四数据集战报与消融阶梯为原文补充。*