StockMem：用于股票预测的事件反思记忆框架
人工智能
2025-12-03 v1 机器学习
摘要
股票价格预测具有挑战性，原因在于市场波动性及其对实时事件的敏感性。虽然大型语言模型（LLMs）为基于文本的预测提供了新途径，但其在金融领域的应用受到噪声新闻数据以及文本中缺乏明确答案的阻碍。通用记忆架构难以识别价格运动的关键驱动因素。为此，我们提出了 StockMem，一个事件反思双层记忆框架。它将新闻结构化为事件，并在两个维度上挖掘：水平整合（horizontal consolidation）整合每日事件，而纵向追踪（longitudinal tracking）捕捉事件演化以提取反映市场预期差异的增量信息。这构建了一个时序事件知识库。通过分析事件-价格动态，该框架进一步形成了反映因果经验的反思知识库。在预测阶段，它检索类似的历史场景，并结合当前事件、增量数据和过去经验进行推理。实验表明，StockMem 优于现有的记忆架构，并通过追溯影响价格的信息链提供了优越的、可解释的推理，增强了金融预测中的决策透明度。
引用
@article{arxiv.2512.02720,
title = {StockMem: An Event-Reflection Memory Framework for Stock Forecasting},
author = {He Wang and Wenyilin Xiao and Songqiao Han and Hailiang Huang},
journal= {arXiv preprint arXiv:2512.02720},
year = {2025}
}