Generalized Stock Price Prediction for Multiple Stocks Combined with News Fusion
创建于 更新于
摘要
本文提出一种将大规模语言模型（LLM）与每日财经新闻融合的通用化多股票价格预测框架，设计了三种以股票名称嵌入为导引的注意力池化方法（Cross-attentive / Self-attentive / Position-aware SAP），并通过 News-Price Fusion（含双向 cross-attention 与 GCN）将文本与归一化价格序列结合输入 LLM，实验在台湾（TW21）与 BigData23 美股数据上验证，结果显示在 LLaMA 骨干下，Self-attentive Pooling 在无 Name Prompt 情形下将 MAE 从 0.1913 降至 0.1777（约 7.11% 降幅），证明股票名称嵌入可用于有效的新闻过滤与泛化模型训练 [page::1][page::5][page::11][page::15]
