基于层次化 Conv-LSTM 与大语言模型集成的整体股票预测模型
统计金融
2025-04-08 v1 人工智能
机器学习
摘要
金融领域为股票市场预测提供了复杂环境，受到波动模式和多源数据的影响。传统模型要么利用卷积神经网络（CNN）进行空间特征提取，要么使用长短期记忆（LSTM）网络捕捉时间依赖性，仅限于集成外部文本数据。本文提出一种新颖的两级 Conv-LSTM 神经网络集成大语言模型（LLM）用于综合股票咨询。该模型发挥 Conv-LSTM 处理时间序列数据和 LLM 处理和理解来自金融新闻、社交媒体和报告等文本信息的优势。在第一级，卷积层用于识别历史股票价格和技术指标中的局部模式，随后采用 LSTM 层捕捉时间动态。第二级将输出与 LLM 集成，后者分析来自文本数据的情感和上下文信息，提供市场状况的综合视图。这种组合方法旨在提高预测准确性，提供富有情境背景的股票咨询。
引用
@article{arxiv.2410.12807,
title = {A Hierarchical conv-LSTM and LLM Integrated Model for Holistic Stock Forecasting},
author = {Arya Chakraborty and Auhona Basu},
journal= {arXiv preprint arXiv:2410.12807},
year = {2025}
}
备注
8 pages, 2 figures, 2 tables