案例06｜Training 與 Baseline：Rolling Time-split、Early Stopping、ARIMA／XGBoost

一、案例定位

本案例依原書 8.3.7 附近的 Model Training／Baseline 描述整理。

呈現研究如何 Fine-tune GPT-based Model、避免 Overfitting，並與 ARIMA／XGBoost 比較。

二、學習目標

理解 Time-based Validation 對 Market Forecast 的重要性。
掌握 Regularization、Early Stopping、Hyperparameter Optimization。
區分 Structured-data Baseline 與 Unstructured-data Advantage。

三、案例情境

原書指出 GPT-based Model 以 Textual／Tabular Data Fine-tune，使用 Rolling Time-split Validation、Regularization、Early Stopping；實作包含 Hugging Face Transformers、TensorFlow、PyTorch、Scikit-learn、Pandas、NumPy，並在 NVIDIA Tesla V100 GPU Server 上測試。

四、開始資料

面向	原書內容	用途
Validation	Rolling Time-split	降低 Temporal Leakage
Overfitting Control	Regularization、Early Stopping	提升 Generalization
Optimization	Hyperparameter Optimization	改善模型設定
Baseline	ARIMA、XGBoost	Structured Forecast Comparison
Compute	NVIDIA Tesla V100	GPU-enabled Experiment

五、Excel／AI 分析方法

Excel 可管理 Train／Validation Window、Metric、Model Version；AI 可協助比較 Error Pattern，但不能用 Future Data 回看訓練期間。

六、計算結果

原書指出 ARIMA／XGBoost 在 Structured Data Prediction 上相對穩定，但面對 Social Media Text 等 Unstructured Data 表現較弱；Hybrid Model 在 Accuracy、MAE、F1 等指標整體改善。

七、結果分析與管理解讀

若 Market Data 有時間順序，Random Split 可能造成不合理的 Future Leakage；Rolling Time-split 更接近實際部署情境。

八、AI 提問詞

請建立 Time-series Model Evaluation Plan，使用 Rolling Time-split，並將 ARIMA、XGBoost、GPT-based、Hybrid 的 Structured／Unstructured Data Performance 分開比較。