CausalStock: 面向新闻驱动股价走势预测的深度端到端因果发现
机器学习
2024-11-12 v1 人工智能
计算工程、金融与科学
计算与语言
摘要
在新闻驱动的多股票走势预测任务中，存在两个现有工作未能很好解决的问题。一方面，利用其他股票的价格信息实现准确的股价走势预测时，关系发现是关键环节。鉴于股票关系往往是单向的，如供应商-消费者关系，因果关系更适合捕捉股票间的影响。另一方面，新闻数据中存在大量噪声，导致难以提取有效信息。基于上述考虑，我们提出了一种名为 CausalStock 的新型框架，用于新闻驱动的多股票走势预测，该框架能够发现股票间的时间因果关系。我们设计了一种依赖于滞后的时间因果发现机制来建模时间因果图分布。随后采用功能因果模型来封装所发现的因果关系并预测股价走势。此外，我们提出了去噪新闻编码器，利用大语言模型 (LLM) 卓越的文本评估能力从海量新闻数据中提取有用信息。实验结果表明，CausalStock 在来自美国、中国、日本和英国市场的六个真实数据集上，在新闻驱动的多股票走势预测和多股票走势预测任务上均优于强基线方法。此外，得益于因果关系，CausalStock 能够提供清晰的预测机制并具备良好的可解释性。
引用
@article{arxiv.2411.06391,
title = {CausalStock: Deep End-to-end Causal Discovery for News-driven Stock Movement Prediction},
author = {Shuqi Li and Yuebo Sun and Yuxin Lin and Xin Gao and Shuo Shang and Rui Yan},
journal= {arXiv preprint arXiv:2411.06391},
year = {2024}
}
备注
Accepted by NeurIPS 2024