金融市场预测的跨模态时间融合
机器学习
2025-11-04 v2 神经与进化计算
计算金融
摘要
金融市场的准确预测需要整合来自历史价格、宏观经济指标和金融新闻等多样化数据源，但现有模型往往无法有效对齐这些模态，从而限制了其实际应用。在本文中，我们引入了基于转换器的深度学习框架，即跨模态时间融合 (Cross-Modal Temporal Fusion, CMTF)，用于 improved market prediction 的金融数据融合。该模型包含用于特征选择的张量解释模块和用于高效超参数调优的自动训练管道。使用 FTSE 100 股票数据进行的实验结果表明，CMTF 在价格方向分类方面优于经典和深度学习基线。这一发现表明，我们的框架是实际中跨模态金融预测任务的有效且可扩展的解决方案。
引用
@article{arxiv.2504.13522,
title = {Cross-Modal Temporal Fusion for Financial Market Forecasting},
author = {Yunhua Pei and John Cartlidge and Anandadeep Mandal and Daniel Gold and Enrique Marcilio and Riccardo Mazzon},
journal= {arXiv preprint arXiv:2504.13522},
year = {2025}
}
备注
10 pages, 4 figures, manuscript accepted to PAIS at ECAI-2025 European Conference on Artificial Intelligence, October 25-30, 2025, Bologna, Italy