LG AI Research 团队于 2026 年 8 月 4 日向 arXiv 提交了编号为 2609.04239 的技术报告，正式发布专为金融预测设计的时序基础模型 EXAONE Forecast for Finance（简称 EXAONE Finance）。该报告由 Seunghan Lee 等 12 位作者共同完成，被归类于人工智能（cs.AI）与机器学习（cs.LG）交叉领域。报告指出，尽管近期通用时序基础模型通过大规模预训练实现了强大的零样本性能，但它们大多依赖自注意力骨干网络，其计算成本随序列长度和变量数量呈二次方增长；同时假设输入完全可观测，且预训练语料无法捕捉金融市场的独特动态，难以处理金融领域中常见的长序列、多通道、间歇性观测的面板数据。
为攻克上述瓶颈，EXAONE Finance 采用无注意力架构，摒弃自注意力，改用两种简单却高效的线性时间算子：其一为用于时间混合的因果一维卷积，其二为用于变量混合的组感知池化多层感知机（MLP）。此外，训练阶段引入掩码上下文增强，使模型接触连续缺失片段，从而提升对金融市场普遍存在的数据缺失问题的鲁棒性。模型在大规模金融语料上进行预训练，覆盖范围不仅包含股票，还涵盖外汇、大宗商品、加密资产、固定收益以及宏观经济指标。
在覆盖多种资产类别的金融预测基准 FinVerse 上，EXAONE Finance 取得最优结果，在全部三个评估层级——点预测准确度、横截面资产排序及投资组合盈利能力——均排名第一。该技术报告的评论信息仅注明“EXAONE Finance 技术报告”，并附有 DOI 链接（https://doi.org/10.48550/arXiv.2609.04239）。论文的 PDF 版本、TeX 源码及许可证信息均可通过 arXiv 页面获取。目前浏览上下文为 cs.AI 分类下的 2026 年 9 月最新论文。