# SBBTS

这篇文章介绍了一项用于合成金融时间序列的新方法 SBBTS（Schrödinger-Bass Bridge for Time Series），核心目标是把薛定谔桥和 Bass 鞅传输统一到一个最优传输框架中。作者认为，传统的生成方法要么更擅长拟合漂移、但固定了波动率结构；要么更擅长刻画波动率、但忽略了时间依赖和预测结构，因此都不够完整。SBBTS 的思路是不再在“漂移”和“波动率”之间二选一，而是把两者同时纳入一个可学习的生成目标中。

文章给出的实验结果主要强调了这种统一建模带来的收益。在 433 只标普 500 成份股上，基于 SBBTS 合成数据训练的简单方向性策略取得了 2.11 的夏普比率，高于真实数据训练的 1.61，也明显优于零样本的 -0.25。除此之外，分类准确率提升到 53.2%，并且在对数损失和 ROC AUC 上也表现最好。作者据此认为，这种提升不是靠随机噪声增强获得的，而是模型结构本身更接近真实金融时间序列。

文章还提到，在 Heston 模型基准测试中，SBBTS 可以较好还原“波动率的波动率”和相关性参数，而标准薛定谔桥方法容易遗漏这些关键特征。整体上，这篇文章传达的结论是：如果想生成更接近真实市场的金融序列，就不能只拟合价格走势或边际分布，而要把漂移、随机波动率和相关性一起建模。