LG AI Research 團隊於 2026 年 8 月 4 日向 arXiv 提交了編號為 2609.04239 的技術報告，正式發佈專為金融預測設計的時序基礎模型 EXAONE Forecast for Finance（簡稱 EXAONE Finance）。該報告由 Seunghan Lee 等 12 位作者共同完成，被歸類於人工智能（cs.AI）與機器學習（cs.LG）交叉領域。報告指出，儘管近期通用時序基礎模型通過大規模預訓練實現了強大的零樣本性能，但它們大多依賴自注意力骨幹網絡，其計算成本隨序列長度和變量數量呈二次方增長；同時假設輸入完全可觀測，且預訓練語料無法捕捉金融市場的獨特動態，難以處理金融領域中常見的長序列、多通道、間歇性觀測的面板數據。
為攻克上述瓶頸，EXAONE Finance 採用無注意力架構，摒棄自注意力，改用兩種簡單卻高效的線性時間算子：其一為用於時間混合的因果一維卷積，其二為用於變量混合的組感知池化多層感知機（MLP）。此外，訓練階段引入掩碼上下文增強，使模型接觸連續缺失片段，從而提升對金融市場普遍存在的數據缺失問題的魯棒性。模型在大規模金融語料上進行預訓練，覆蓋範圍不僅包含股票，還涵蓋外匯、大宗商品、加密資產、固定收益以及宏觀經濟指標。
在覆蓋多種資產類別的金融預測基準 FinVerse 上，EXAONE Finance 取得最優結果，在全部三個評估層級——點預測準確度、橫截面資產排序及投資組合盈利能力——均排名第一。該技術報告的評論信息僅註明“EXAONE Finance 技術報告”，並附有 DOI 鏈接（https://doi.org/10.48550/arXiv.2609.04239）。論文的 PDF 版本、TeX 源碼及許可證信息均可通過 arXiv 頁面獲取。目前瀏覽上下文為 cs.AI 分類下的 2026 年 9 月最新論文。