CAMEF：通过整合时间序列模式与显著宏观经济公告的因果增强多模态事件驱动金融预测
机器学习
2025-08-11 v3 人工智能
计算工程、金融与科学
信息检索
摘要
准确预测宏观经济事件的影响对投资者和政策制定者至关重要。货币政策和就业报告等显著事件通常通过塑造对经济增长和风险的预期来引发市场波动，从而在事件与市场行为之间建立因果关系。现有的预测方法通常仅关注文本分析或时间序列建模，但未能捕捉金融市场的多模态特性以及事件与价格波动之间的因果关系。为了填补这些空白，我们提出了 CAMEF（因果增强多模态事件驱动金融预测），这是一个多模态框架，通过因果学习机制和基于 LLM 的反事实事件增强技术，有效地整合了文本和时间序列数据，以实现因果增强的金融预测。我们的贡献包括：(1) 一个捕捉政策文本与历史价格数据之间因果关系的多模态框架；(2) 一个包含 2008 年至 2024 年 4 月六类宏观经济发布以及五种美国核心金融资产高频真实交易数据的新金融数据集；(3) 一种基于 LLM 的反事实事件增强策略。我们将 CAMEF 与基于 Transformer 的最先进时间序列和多模态基线进行了比较，并进行了消融研究以验证因果学习机制和事件类型的有效性。
引用
@article{arxiv.2502.04592,
title = {CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements},
author = {Yang Zhang and Wenbo Yang and Jun Wang and Qiang Ma and Jie Xiong},
journal= {arXiv preprint arXiv:2502.04592},
year = {2025}
}
备注
Accepted in SIGKDD 2025