NIPS 24 | CausalStock : 基于端到端因果发现的新闻驱动股价预测模型

文章预览

本文提出了一种名为 CausalStock 的新型新闻驱动多股股价预测框架。该框架旨在解决现有方法在处理新闻驱动多股股价预测任务时存在的两个关键问题： 1. 关系发现： 现有方法主要关注股票间的相关性建模，但公司间关系往往具有方向性，例如“供应商-客户”关系，因此因果关系更适合刻画股票间的相互影响。 2. 噪声处理： 新闻数据中存在大量噪声，有效信息的提取面临挑战。 针对上述问题，CausalStock 框架包含以下主要创新点： 1.  基于滞后依赖的时间因果发现机制： 该机制能够根据时间滞后关系直观地链接时间因果关系，更适合处理时间序列股票数据。 2.  基于大语言模型的去噪新闻编码器 (DNE)： 该编码器利用大语言模型 (LLM) 对新闻文本进行多维度评分，包括相关性、情感极性、重要程度、对股价的影响以及影响持续时间，并生成去噪 ………………………………