GS-FUSE：基于格兰格监督的门控融合与多粒度对齐用于事件驱动金融预测
人工智能
2026-05-28 v1
摘要
准确预测显著金融事件对市场的影响对于投资者和政策制定者至关重要。然而，现有的多模态时间序列模型通常对文本和价格进行对称性融合，缺乏明确的方式判断事件文本是否具有预测价值，因而难以利用事件到价格结构的方向性以及文本信号和价格信号的异构性。本文提出GS-Fuse，一种基于事件的多模态预测框架，采用（i）格兰格监督的因果感知门控融合模块，仅当事件文本在历史价格之外提供额外预测价值时，学习其向事件文本开放；（ii）多粒度对齐机制，联合对齐高层次事件表征与细粒度文本线索与未来市场轨迹。作为构建在大语言模型和时间序列基础模型之上的灵活、可插拔式适配器，GS-Fuse可在不同主干和市场环境下实例化。在真实世界的金融数据集上进行的广泛实验表明，GS-Fuse在多个资产和预测时段上均 consistently 优于最先进的时间序列和多模态基线。
引用
@article{arxiv.2605.28520,
title = {GS-FUSE: Granger-Supervised Gated Fusion and Multi-Granularity Alignment for Event-Driven Financial Forecasting},
author = {Yang Zhang and En Chun and Ziyun Mao and Yulu Wu and Jun Wang},
journal= {arXiv preprint arXiv:2605.28520},
year = {2026}
}