論文の概要: GS-FUSE: Granger-Supervised Gated Fusion and Multi-Granularity Alignment for Event-Driven Financial Forecasting

• arxiv url: http://arxiv.org/abs/2605.28520v1
• Date: Wed, 27 May 2026 14:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.105692
• Title: GS-FUSE: Granger-Supervised Gated Fusion and Multi-Granularity Alignment for Event-Driven Financial Forecasting
• Title（参考訳）: GS-FUSE:Granger-Supervised Gated Fusion and Multi-Granularity Alignment for Event-Driven Financial Forecasting
• Authors: Yang Zhang, En Chun, Ziyun Mao, Yulu Wu, Jun Wang,
• Abstract要約: マルチモーダルなイベントベースの予測フレームワークであるGS-Fuseを提案する。 過去の価格を超える漸進的な予測価値を提供する場合にのみ、イベントテキストに向かって開くことを学ぶ。 さまざまなバックボーンと市場設定でインスタンス化できる。
• 参考スコア（独自算出の注目度）: 6.755202346191243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately forecasting the impact of salient financial events on markets is critical for investors and policymakers. However, existing multimodal time-series models typically fuse text and prices symmetrically, without an explicit way to decide when event text is truly predictive, and thus struggle to exploit the directional event-to-price structure and the heterogeneous roles of textual and price signals. In this work, we propose GS-Fuse, a multimodal event-based forecasting framework that employs (i) a Granger-supervised, causal-aware gated fusion module, which learns to open toward event text only when it provides incremental predictive value beyond historical prices, and (ii) a multi-granularity alignment mechanism that jointly aligns high-level event representations and fine-grained textual cues with future market trajectories. Built as a flexible, plug-and-play adapter on top of off-the-shelf large language models and time-series foundation models, GS-Fuse can be instantiated across diverse backbones and market settings. Extensive experiments on real-world financial datasets show that GS-Fuse consistently outperforms state-of-the-art time-series and multimodal baselines across multiple assets and forecasting horizons.
• Abstract（参考訳）: 投資家や政策立案者にとって、健全な金融イベントが市場に与える影響を正確に予測することは重要だ。 しかし、既存のマルチモーダル時系列モデルは、典型的には、イベントテキストが真に予測されるタイミングを決定する明示的な方法なしに、テキストと価格を対称的に融合させるため、方向性のイベント・ツー・プライス構造と、テキストと価格信号の不均一な役割を利用するのに苦労する。 本研究では,マルチモーダルなイベントベースの予測フレームワークであるGS-Fuseを提案する。 i) 歴史的価格を超える漸進的な予測価値を提供する場合に限って、イベントテキストに向かって開くことを学習するグランガー制御型因果対応ゲート融合モジュール (II)高レベルのイベント表現と細粒度テキストキューと将来の市場軌道とを協調的に整列する多粒度アライメント機構。 既製の大型言語モデルと時系列基盤モデルの上に、フレキシブルでプラグ&プレイ可能なアダプタとして構築されたGS-Fuseは、さまざまなバックボーンと市場設定でインスタンス化することができる。 実世界の金融データセットに関する大規模な実験により、GS-Fuseは、複数の資産をまたいだ最先端の時系列とマルチモーダルのベースラインを一貫して上回り、地平線を予測している。

関連論文リスト

• FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing [33.23601503890859]
  テキストと財務時系列データをペアリングするための意味に基づく多段階ペアリングフレームワークを提案する。 本手法をプロプライエタリかつ慎重にキュレートしたニュースソースに適用すると,高品質なペアリングデータとなり,株価予測性能が向上することを示す。
  論文  参考訳（メタデータ） (2026-03-03T07:45:57Z)
• EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
  EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。 8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-19T01:28:47Z)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements [9.16354796541115]
  金融予測のための多モードフレームワークであるCAMEF(Causal-Augmented Multi-Modality Event-Driven Financial Forecasting)を提案する。 1)政策文書と歴史的価格データの因果関係を捉えたマルチモーダル・フレームワーク,(2)2008年から2024年4月までの6種類のマクロ経済学的リリースを含む新たな金融データセット,および5つの米国主要金融資産の高周波実取引データ,(3)LLMに基づく対実イベント拡張戦略。
  論文  参考訳（メタデータ） (2025-02-07T00:55:25Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Text2TimeSeries: Enhancing Financial Forecasting through Time Series Prediction Updates with Event-Driven Insights from Large Language Models [9.991327369572819]
  本稿では,関連事象に関するテキスト情報を組み込んだ協調モデリングフレームワークを提案する。 我々は、将来の変更に関する大規模言語モデルの直感を活用して、実数時系列の予測を更新する。
  論文  参考訳（メタデータ） (2024-07-04T07:21:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。