FinCast 是一个面向金融时间序列预测的基础模型项目，论文方向为 CIKM 2025，采用 decoder-only Transformer，在大量金融时间点数据上训练，强调零样本、少样本和监督场景下的预测能力。它使用点预测和概率预测结合的损失，并引入 Mixture-of-Experts 以适配不同金融领域和时间分辨率。

这个项目代表金融 AI 的一个新趋势：不再为每个资产、每个指标、每个频率单独训练一个小模型，而是尝试训练能适配多种金融时间序列的基础模型。对银行从业者来说，虽然它更偏市场数据和时间序列研究，但其中的思想可以迁移到存款余额、贷款余额、交易量、风险指标、逾期率、客流量、投诉量等银行时间序列。

• 金融时间序列基础模型，面向多领域、多频率、多任务预测。
• 支持零样本、少样本和监督预测，关注模型迁移能力。
• 使用概率预测，更适合金融风险场景中的不确定性表达。
• Apache-2.0 协议，适合研究和复现实验。

FinCast 适合学习时间序列基础模型的思路：为什么金融预测不应只给一个点估计，为什么要输出分位数或概率区间，为什么跨资产、跨频率迁移很困难。银行从业者可以借此理解风险预测和经营预测中的不确定性管理。

• 市场价格、波动率、成交量预测研究。
• 银行经营指标时间序列预测。
• 存贷款余额、交易量、逾期率趋势预测实验。
• 压力测试和情景分析中的概率预测参考。

金融时间序列预测非常容易过拟合，历史规律也可能突然失效。基础模型并不天然解决市场 regime 变化、极端事件和数据泄露问题。真实银行使用时必须结合业务解释、情景分析、人工判断和模型监控。