从新闻到收益：基于球面上的格兰杰因果超图变换器

我们提出了因果球面超图变换器 (Causal Sphere Hypergraph Transformer, CSHT)，这是一种用于可解释金融时间序列预测的新型架构，统一了格兰杰因果超图结构、黎曼几何与因果掩码Transformer注意力机制。CSHT通过提取多变量格兰杰因果依赖，将其编码为球面上的方向性超边，从而建模金融新闻和情感对资产收益的方向性影响。注意力通过角度掩码受制，以保持时序方向性和几何一致性。在2018至2023年的标普500指数数据上（包括2020年新冠疫情冲击），CSHT在收益率预测、势力分类和顶级资产排序等任务中持续优于基线方法。通过强制预测性因果结构并在黎曼流形中嵌入变量，CSHT实现了跨市场势力的鲁棒泛化与从宏观经济事件到股票层面响应的透明归因路径。这些结果表明，CSHT是面对不确定性环境中可信赖金融预测的原则性且实用的解决方案。