基于多模态Transformer框架的中国股票预测：宏观微观信息融合
机器学习
2025-01-29 v1 人工智能
摘要
本文提出一种创新的多模态Transformer框架（MMF-Trans），旨在通过整合宏观经济、微观市场、金融文本和事件知识等多源异构信息，显著提高中国股市的预测精度。该框架由四个核心模块组成：（1）四通道并行编码器，分别处理技术指标、金融文本、宏观数据和事件知识图谱，用于多模态数据的独立特征提取；（2）动态门控跨模态融合机制，通过可微权重分配自适应学习不同模态的重要性，实现有效信息整合；（3）时间对齐的混合频率处理层，使用创新的位置编码方法有效融合不同时间频率的数据，解决异构数据的时间对齐问题；（4）基于图注意力的事件影响量化模块，通过事件知识图谱捕捉事件对市场的动态影响，并量化事件影响系数。我们引入混合频率Transformer和Event2Vec算法，以有效融合不同频率的数据并量化事件影响。实验结果表明，在沪深300成分股预测任务中，MMF-Trans框架的均方根误差（RMSE）相比基线模型降低23.7%，事件响应预测准确率提升41.2%，夏普比率提升32.6%。
引用
@article{arxiv.2501.16621,
title = {Chinese Stock Prediction Based on a Multi-Modal Transformer Framework: Macro-Micro Information Fusion},
author = {Lumen AI and Tengzhou No. 1 Middle School and Shihao Ji and Zihui Song and Fucheng Zhong and Jisen Jia and Zhaobo Wu and Zheyi Cao and Xu Tianhao},
journal= {arXiv preprint arXiv:2501.16621},
year = {2025}
}