EUR-USD Exchange Rate Forecasting Based on Information Fusion with Large Language Models and Deep Learning Methods

📄 arXiv: 2408.13214v2 📥 PDF

作者: Hongcheng Ding, Xuanze Zhao, Ruiting Deng, Shamsul Nahar Abdullah, Deshinta Arrova Dewi

分类: q-fin.CP, cs.AI, cs.CE, cs.CL

发布日期: 2024-08-23 (更新: 2025-06-27)

💡 一句话要点

提出IUS框架，融合大语言模型和深度学习，提升欧元/美元汇率预测精度

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 汇率预测 大语言模型 深度学习 信息融合 Bi-LSTM

📋 核心要点

  1. 现有汇率预测方法难以有效利用新闻文本等非结构化数据，导致预测精度受限。
  2. IUS框架融合大语言模型提取的文本特征与量化特征，并利用因果驱动的特征生成器进行特征选择。
  3. 实验表明，IUS框架显著优于基准模型，MAE降低10.69%，RMSE降低9.56%，验证了数据融合的有效性。

📝 摘要（中文）

本文提出了一种名为IUS的新框架，旨在提高欧元/美元汇率的预测精度。该框架融合了来自新闻和分析的非结构化文本数据，以及汇率和金融指标的结构化数据。IUS框架利用大型语言模型对文本进行情感极性评分和汇率变动分类。这些文本特征与量化特征相结合，输入到因果驱动的特征生成器中。然后，使用Optuna优化的Bi-LSTM模型来预测欧元/美元汇率。实验结果表明，所提出的方法优于基准模型，MAE降低了10.69%，RMSE降低了9.56%。结果还表明了数据融合的优势，非结构化和结构化数据的结合比单独使用结构化数据产生更高的准确性。此外，使用前12个重要量化特征与文本特征相结合的特征选择被证明是最有效的。所提出的IUS框架和Optuna-Bi-LSTM模型为通过多源数据集成进行汇率预测提供了一种强大的新方法。

🔬 方法详解

问题定义：论文旨在解决欧元/美元汇率预测精度不高的问题。现有方法通常只依赖结构化的金融数据，忽略了新闻、分析报告等非结构化文本数据中蕴含的丰富信息。这些文本数据能够反映市场情绪和潜在的汇率波动因素，但难以有效提取和利用。

核心思路：论文的核心思路是将非结构化文本数据与结构化金融数据进行融合，利用大语言模型提取文本中的情感和汇率变动信息，并将其转化为可用于预测的特征。通过结合文本特征和量化特征，可以更全面地捕捉影响汇率波动的因素，从而提高预测精度。

技术框架：IUS框架包含以下主要模块：1) 数据收集与预处理：收集欧元/美元汇率相关的结构化金融数据和非结构化文本数据。2) 文本特征提取：使用大语言模型对文本数据进行情感极性评分和汇率变动分类，生成文本特征。3) 特征融合与生成：将文本特征与量化特征进行融合，并利用因果驱动的特征生成器选择重要的特征。4) 汇率预测：使用Optuna优化的Bi-LSTM模型，基于融合后的特征进行汇率预测。

关键创新：该论文的关键创新在于：1) 提出了一种融合非结构化文本数据和结构化金融数据的汇率预测框架。2) 利用大语言模型提取文本特征，克服了传统方法难以有效利用文本信息的难题。3) 使用因果驱动的特征生成器进行特征选择，提高了模型的泛化能力。

关键设计：在文本特征提取方面，使用了特定的大语言模型（具体模型未知）进行情感极性评分和汇率变动分类。在特征选择方面，使用了因果驱动的特征生成器，具体实现方式未知。在模型训练方面，使用了Optuna进行Bi-LSTM模型的超参数优化，具体优化范围和参数设置未知。损失函数和Bi-LSTM的具体网络结构也未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，提出的IUS框架显著优于基准模型，MAE降低了10.69%，RMSE降低了9.56%。数据融合实验表明，结合非结构化文本数据和结构化金融数据能够显著提高预测精度。特征选择实验表明，使用前12个重要量化特征与文本特征相结合的效果最佳，验证了特征选择的有效性。

🎯 应用场景

该研究成果可应用于金融投资、风险管理和政策制定等领域。投资者可以利用该模型更准确地预测汇率走势，制定更有效的投资策略。企业可以利用该模型进行汇率风险管理，降低国际贸易中的汇率风险。政策制定者可以利用该模型监测市场情绪，及时调整政策，维护金融稳定。未来，该方法可以扩展到其他金融资产的预测，具有广阔的应用前景。

📄 摘要（原文）

Accurate forecasting of the EUR/USD exchange rate is crucial for investors, businesses, and policymakers. This paper proposes a novel framework, IUS, that integrates unstructured textual data from news and analysis with structured data on exchange rates and financial indicators to enhance exchange rate prediction. The IUS framework employs large language models for sentiment polarity scoring and exchange rate movement classification of texts. These textual features are combined with quantitative features and input into a Causality-Driven Feature Generator. An Optuna-optimized Bi-LSTM model is then used to forecast the EUR/USD exchange rate. Experiments demonstrate that the proposed method outperforms benchmark models, reducing MAE by 10.69% and RMSE by 9.56% compared to the best performing baseline. Results also show the benefits of data fusion, with the combination of unstructured and structured data yielding higher accuracy than structured data alone. Furthermore, feature selection using the top 12 important quantitative features combined with the textual features proves most effective. The proposed IUS framework and Optuna-Bi-LSTM model provide a powerful new approach for exchange rate forecasting through multi-source data integration.