Uni-FinLLM：用于微观股票预测和宏观系统性风险评估的统一多模态大语言模型
机器学习
2026-01-07 v1 风险管理
统计金融
摘要
金融机构和监管机构需要整合异构数据的系统来评估从股票波动到系统性脆弱性的风险。现有方法常将这些任务视为孤立处理，无法捕捉跨尺度依赖关系。我们提出 Uni-FinLLM，一个统一的多模态大语言模型，采用共享 Transformer 主干和模块化任务头，联合处理金融文本、数值时间序列、基本面数据和视觉数据。通过跨模态注意力和多任务优化，它学习了用于微观、中观和宏观预测的一致表示。在股票预测、信用风险评估和系统性风险检测上进行评估，Uni-FinLLM 显著优于基线方法。它将股票方向准确率提升至67.4%（从61.7%），信用风险准确率提升至84.1%（从79.6%），宏观预警准确率提升至82.3%。结果表明，统一的多模态 LLM 可以联合建模资产行为和系统性脆弱性，为金融领域提供可扩展的决策支持引擎。
引用
@article{arxiv.2601.02677,
title = {Uni-FinLLM: A Unified Multimodal Large Language Model with Modular Task Heads for Micro-Level Stock Prediction and Macro-Level Systemic Risk Assessment},
author = {Gongao Zhang and Haijiang Zeng and Lu Jiang},
journal= {arXiv preprint arXiv:2601.02677},
year = {2026}
}