主要观点：
　　本篇是学海拾珠系列第二百七十一篇，文章首次将语言推理与时间序列预测有效结合，提出VTA框架。通过Time-GRPO训练推理模型并以推理属性条件化预测输出，在多国市场数据上实现了最优预测精度与最高夏普比率。
　　研究背景与动机
　　大语言模型在金融分析中日益普及，但现有方法侧重文本分析，忽视了对股价历史数据的可解释性推理。该任务面临跨域挑战：输入输出为时间序列，推理需以自然语言完成。现有方案难以兼顾预测精度与可解释性，亟需新的解决框架。
　　语言化技术分析（VTA）框架
　　VTA框架，包含三个核心组件：（1）时间序列推理模块：将股价数据转换为文本标注，并通过提出的Time-GRPO方法训练LLM进行语言推理。（2）时间序列预测模块：利用基于LLM的骨干模型，通过跨模态对齐时间序列嵌入与语言嵌入来捕获复杂模式。（3）联合条件训练：以推理属性为条件调节预测输出，同时训练条件与无条件预测，兼顾可解释性与精度。
　　实验结果
　　在覆盖美国、中国和欧洲市场的多个股票数据集上，VTA在MSE和MAE两项指标上均优于14种基线方法，包括传统时间序列模型和LLM方法。消融实验表明，多阶段微调流水线至关重要，第二阶段RL微调带来了20.3%的平均改进。在投资组合评估中，基于VTA预测构建的最优组合取得了最高的夏普比率（1.72），验证了其投资价值。
　　文献来源
　　核心内容摘选自Kelvin J.L. Koa等于2026年发布在ICLR 2026上的文章《Reasoning on Time-Series for Financial TechnicalAnalysis》。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。