🤖 AI

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

Dieser Beitrag stellt GS-FUSE vor, ein multimodales Framework, das die Vorhersage finanzieller Ereignisse verbessert, indem es ein von Granger überwachte gated Fusion-Modul zur selektiven Einbeziehung prädiktiver Textsignale und einen Multi-Granularitäts-Ausrichtungsmechanismus zur besseren Abstimmung textueller Hinweise auf Markttrends integriert und dabei bestehende State-of-the-Art-Modelle konsistent übertrifft.

Ursprüngliche Autoren: Yang Zhang, En Chun, Ziyun Mao, Yulu Wu, Jun Wang

Veröffentlicht 2026-05-28

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Yang Zhang, En Chun, Ziyun Mao, Yulu Wu, Jun Wang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, das Wetter vorherzusagen. Sie haben zwei Informationsquellen:

Das Barometer (Preisdaten): Eine Maschine, die jede Sekunde Windgeschwindigkeit, Temperatur und Luftdruck aufzeichnet. Sie ist hervorragend darin, Ihnen die aktuellen Trends zu zeigen.
Der Nachrichtensprecher (Ereignistext): Eine Person, die plötzliche Updates herausschreit wie „Es bildet sich ein Hurrikan!" oder „Die Regierung hat gerade die Steuergesetze geändert!"

Das Problem:
Die meisten aktuellen Computermodelle versuchen, diese beiden Quellen wie einen Smoothie zu vermischen. Sie mischen die Barometerdaten und die Stimme des Nachrichtensprechers zu jeder Zeit gleichmäßig.

Der Fehler: Manchmal wiederholt der Nachrichtensprecher nur alte Informationen oder schreit Unsinn. Wenn der Computer diesen Lärm in die Wettervorhersage einmischt, gerät er in Verwirrung. Zu anderen Zeiten sagt der Nachrichtensprecher etwas Großes (wie eine überraschende Zinserhöhung), und der Computer muss sehr genau hinhören, behandelt es aber genauso wie eine langweilige Aktualisierung.

Die Lösung: GS-Fuse
Die Autoren dieses Papiers haben ein neues System namens GS-Fuse entwickelt. Stellen Sie es sich als einen intelligenten, vorsichtigen Verkehrsleiter vor, der zwischen dem Barometer und dem Nachrichtensprecher steht.

So funktioniert es, mit einfachen Analogien:

1. Das „Granger-überwachte" Tor (Der intelligente Filter)

Die Kerninnovation ist ein spezielles „Tor", das entscheidet, wann der Nachrichtensprecher sprechen darf.

Wie es funktioniert: Bevor das Tor öffnet, stellt das System eine einfache Frage: „Wenn ich die Nachrichten ignoriere und nur auf das Barometer schaue, wie schlecht wäre meine Vorhersage? Wenn ich die Nachrichten hinzufüge, wird meine Vorhersage signifikant besser?"
Die Analogie: Stellen Sie sich vor, Sie fahren Auto. Sie haben ein GPS (die Preisdaten), das normalerweise perfekt funktioniert. Plötzlich sagt ein Radiomoderator (der Ereignistext): „Es gibt eine massive Stau vor!"
- Wenn das GPS bereits einen Stau anzeigt, wiederholt der Radiosender nur das, was Sie wissen. Das Tor bleibt geschlossen. Sie müssen Ihren Plan nicht ändern.
- Wenn das GPS eine freie Straße anzeigt, der Radiosender aber sagt „Brücke ist weg!", öffnet sich das Tor weit. Sie vertrauen dem Radio sofort, weil es Ihnen neue, lebensrettende Informationen liefert, die das GPS nicht hatte.
Das Ergebnis: Das System hört nur dann auf die Nachrichten zu, wenn diese tatsächlich etwas Neues und Nützliches hinzufügen. Es ignoriert den „Lärm".

2. Multi-Granularitäts-Ausrichtung (Der Textmarker)

Sobald das Tor öffnet und den Text hereinlässt, muss das System wissen, welcher Teil des Textes wichtig ist.

Das Problem: Finanznachrichten sind lang. Sie können 500 Wörter haben, aber nur ein Satz (z. B. „Die Inflation steigt schneller als erwartet") bewegt tatsächlich den Aktienmarkt. Der Rest ist nur langweiliges Juristendeutsch.
Die Lösung: Das System fungiert wie ein Textmarker. Anstatt den gesamten Nachrichtenartikel als einen großen Klumpen zu behandeln, zoomt es hinein. Es verknüpft bestimmte Wörter im Text (wie „Zinserhöhung") mit bestimmten Momenten in den Marktdaten (wie einem plötzlichen Preisverfall).
Die Analogie: Es ist wie ein Lehrer, der die Aufschrift eines Schülers korrigiert. Anstatt dem ganzen Aufsatz nur eine Note zu geben, kreist der Lehrer den einen brillanten Satz ein, der den Punkt beweist, und ignoriert das Füllmaterial. Dies hilft dem Computer zu verstehen, genau warum sich der Markt bewegt hat.

3. Der „Plug-and-Play"-Adapter

Die Autoren haben dieses System so gebaut, dass es mit jedem bestehenden „Gehirn" (Large Language Models für Text und Zeitreihenmodelle für Zahlen) funktioniert.

Die Analogie: Stellen Sie sich GS-Fuse als einen universellen Netzsteckeradapter vor. Sie können ihn an ein Samsung-Handy, ein iPhone oder ein generisches Ladegerät anschließen. Es spielt keine Rolle, welches spezifische „Gehirn" Sie verwenden; der Adapter stellt sicher, dass alle reibungslos zusammenarbeiten, um das Problem zu lösen.

Was haben sie herausgefunden?

Das Team testete dieses System mit echten Finanzdaten, einschließlich des S&P 500 (Aktienmarkt) und Staatsanleihen (Staatskredite).

Das Ergebnis: GS-Fuse schlug konsistent alle anderen Modelle. Es machte weniger Fehler bei der Vorhersage, wie sich die Preise nach großen Nachrichtenereignissen bewegen würden.
Warum es gewann: Es riet nicht einfach; es lernte, skeptisch zu sein. Es wusste, wann es die Nachrichten ignorieren und wann es genau hinhören musste, und es wusste genau, welche Wörter in den Nachrichten am wichtigsten waren.

Zusammenfassung:
GS-Fuse ist ein Finanzprognose-Tool, das nicht nur die Nachrichten „liest" und die Charts „anschaut". Es handelt wie ein weiser Investor, der weiß, wann er den Lärm ignorieren und wann er auf das Signal achten muss, und stellt sicher, dass jedes bei einer Vorhersage verwendete Informationsstück tatsächlich hilft.

Technische Zusammenfassung: GS-Fuse

Problemstellung

Die genaue Prognose der Auswirkungen markanter finanzieller Ereignisse (z. B. makroökonomische Veröffentlichungen, politische Entscheidungen) auf Vermögenspreise ist für Investoren und politische Entscheidungsträger von entscheidender Bedeutung. Obwohl jüngste Fortschritte bei Large Language Models (LLMs) und Time-Series Foundation Models die unimodale Prognose verbessert haben, sehen bestehende multimodale Ansätze für ereignisgesteuerte Finanzprognosen mit drei Hauptbeschränkungen konfrontiert:

Ereignisinvariante Fusion: Aktuelle Methoden fusionieren Text- und Preisdaten typischerweise symmetrisch unter Verwendung gemeinsamer Schichten und gehen von einem stabilen Gleichgewicht zwischen den Modalitäten aus. Dies versagt bei der Anpassung an die heterogene Natur der Finanzmärkte, wo einige Ereignisse von der Stimmung getrieben werden, während andere vorbestehenden technischen Mustern folgen.
Fehlende kausal-bewusste Fusion: Bestehende Modelle verfügen über keine expliziten Mechanismen, um zu bestimmen, wann Ereignistexte einen zusätzlichen prädiktiven Wert über historische Preise hinaus bieten. Sie fusionieren Modalitäten oft symmetrisch, was das Risiko einer übermäßigen Nutzung von verrauschtem oder uninformative Texten birgt.
Grobkörnige Ausrichtung: Standard-Ausrichtungsmechanismen arbeiten auf der Instanzebene (globale Ereigniseinbettung vs. globale Zeitreiheneinbettung). Dies ignoriert die Tatsache, dass nur spezifische Passagen in finanziellen Veröffentlichungen (z. B. Forward Guidance in FOMC-Erklärungen) Marktreaktionen auslösen, was zu verwässerten Signalen durch irrelevante Inhalte führt.

Methodik

Die Autoren schlagen GS-Fuse vor, ein multimodales Framework, das diese Beschränkungen durch einen Granger-supervidierten, kausal-bewussten gated-Fusionsmechanismus und eine Multi-Granularitäts-Ausrichtung adressiert. Die Architektur besteht aus vier Hauptkomponenten:

1. Encoder

Text-Encoder: Nutzt ein vortrainiertes LLM (z. B. LLaMA, Phi-3), um Ereignisskripte ( $E_i$ ) in Token-Ebenen-Repräsentationen zu kodieren, die in einen gemeinsamen Einbettungsraum projiziert werden.
Zeitreihen-Encoder: Nutzt ein vortrainiertes Time-Series Foundation Model (z. B. MOMENT, Kronos), um vorereignisbezogene Marktsegmente ( $X_i$ ) in schrittweise Repräsentationen zu kodieren.
Einfrier-Strategie: Die Backbone-LLMs und TS-Foundation-Modelle bleiben eingefroren; nur Projektionsköpfe und nachgelagerte Module werden trainiert.

2. Multi-Granularitäts-Cross-Modal-Ausrichtung

Um die Modalitätslücke zu überbrücken, erzwingt GS-Fuse die Ausrichtung auf zwei Ebenen:

Instanz-Ebene Globale Ausrichtung: Verwendet bidirektionale Cross-Attention, um Token- und Schrittrepräsentationen zu durchdringen, gefolgt von einem InfoNCE-Kontrastverlust, um globale Ereignis- und Zeitreiheneinbettungen auszurichten.
Token/Schritt Feinkörnige Ausrichtung: Richtet einzelne Text-Token mit spezifischen Zeitreihenschritten aus. Ein Salienz-Score identifiziert die Top- $K$ „Anker"-Token, und ein Kontrastverlust fördert die Ausrichtung dieser salienten Token mit ihren entsprechenden zeitlichen Mustern, während er unzusammenhängende Schritte anderer Instanzen abstößt.

3. Granger-supervidierte Kausale Gating

Dies ist die Kerninnovation. Das Modell verwendet einen Gating-Mechanismus, der entscheidet, ob Ereignistexte basierend auf ihrem zusätzlichen prädiktiven Nutzen einbezogen werden:

Granger-Nutzungs-Signal: Während des Trainings vergleicht das Modell einen „eingeschränkten" Prädiktor (unter Verwendung nur von Zeitreihendaten, $\hat{Y}_{ts}$ ) mit einem „uneingeschränkten" Prädiktor (unter Verwendung von Text und Zeitreihen, $\hat{Y}_{full}$ ).
Supervision: Die Verlustdifferenz ( $\Delta_i = \ell(Y_i, \hat{Y}_{ts}) - \ell(Y_i, \hat{Y}_{full})$ ) dient als Proxy für Granger-Kausalität. Wenn die Einbeziehung von Text den Prognosefehler reduziert, wird der Text als nützlich erachtet.
Gating-Training: Ein Gating-Netzwerk sagt einen skalaren Öffnungs-Score ( $\alpha_i$ ) für jede Instanz vorher. Dieser Score wird über einen Distillationsverlust supervidiert, um mit einem weichen „Verantwortungs"-Ziel ( $r_i$ ) übereinzustimmen, das von der Granger-Nutzung abgeleitet ist. Das Gate öffnet sich ( $\alpha_i \approx 1$ ) nur, wenn Text messbaren Wert bietet, und schließt sich sonst.

4. Decoder

Ein leichter Transformer-Decoder nimmt die fusionierte Repräsentation (gewichtet durch das Gate) entgegen und generiert die zukünftige Marktbahn über den Prognosehorizont $H$ .

Trainings-Schema

Das Modell wird in drei Stufen für Stabilität trainiert:

Nur-Zeitreihen-Vortraining: Training des Zeitreihen-Branch, um eine starke Basislinie zu etablieren.
Nur-Text-Warm-up: Training des Text-Branch, um sicherzustellen, dass Ereignisrepräsentationen prognoserelevant sind.
Multimodales Fine-Tuning: Gemeinsames Training der Fusions- und Ausrichtungsmodule mit einem kombinierten Ziel aus Prognoseverlust, Ausrichtungsverlust und Gating-Supervision.

Hauptbeiträge

Granger-supervidierte Gated-Fusion: Ein neuartiges Modul, das lernt, Ereignistexte selektiv nur dann zu vertrauen, wenn sie einen zusätzlichen prädiktiven Wert über historische Preise hinaus bieten, und damit die kausale Richtung von Ereignis zu Preis effektiv modelliert.
Multi-Granularitäts-Ausrichtung: Ein gemeinsames Ausrichtungsschema, das sowohl auf der Instanzebene als auch auf der feinkörnigen Token/Schritt-Ebene operiert und es dem Modell ermöglicht, spezifische textuelle Hinweise zu lokalisieren, die Marktreaktionen antreiben.
Plug-and-Play-Framework: Ein modellagnostischer Adapter, der beliebige LLMs und Time-Series-Foundation-Modelle umhüllen kann, was es über verschiedene Backbones und Marktumgebungen hinweg flexibel macht.

Experimentelle Ergebnisse

Die Autoren bewerteten GS-Fuse auf einem kuratierten Datensatz, der makroökonomische Veröffentlichungen (CAMEF) und Finanznachrichten (FNSPID) integriert, gegen fünf Vermögenswerte (S&P500, NASDAQ, INDU, USGG1M, USGG5YR) über drei Prognosehorizonte ( $H \in \{35, 70, 140\}$ 5-Minuten-Schritte).

Leistung: GS-Fuse übertraf konsistent state-of-the-art unimodale Baselines (ARIMA, DLinear, iTransformer, FEDformer) und multimodale Baselines (GPT4MTS, TimeCMA, TEST). Es erzielte den niedrigsten MSE und MAE über alle Vermögenswerte und Horizonte hinweg.
Ablationsstudien: Das Entfernen des Granger-Gates oder der Multi-Granularitäts-Ausrichtung führte zu signifikanten Leistungseinbußen, was bestätigt, dass beide Komponenten essenziell und komplementär sind.
Backbone-Generalität: Das Framework zeigte Robustheit über verschiedene LLM- (LLaMA vs. Phi) und TS-Foundation- (MOMENT vs. Kronos) Kombinationen hinweg, obwohl spezifische Paarungen marginale Leistungsvariationen ergaben.
Kausalanalyse: Die durchschnittliche Gate-Öffnung lag bei etwa 51 % für Aktienindizes, war aber höher (60,68 %) für Treasury-Renditen, was darauf hindeutet, dass das Modell seine Abhängigkeit von Text dynamisch je nach Vermögensklasse und dem spezifischen Nutzen der Ereignisnarrative anpasst.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass GS-Fuse den fundamentalen Fehler bestehender multimodaler Prognosen adressiert: die Annahme, dass Text- und Preisdaten immer symmetrisch fusioniert werden sollten. Durch die Einführung eines Granger-supervidierten Gates lernt das Modell explizit die bedingte Abhängigkeit von Preisen von Ereignistexten und vermeidet das Rauschen uninformativer Narrative. Die Multi-Granularitäts-Ausrichtung stellt zudem sicher, dass sich das Modell auf die spezifischen Teile eines Ereignisskripts konzentriert, die Marktbewegungen antreiben.

Die Autoren positionieren GS-Fuse nicht nur als Leistungsverbesserung, sondern als methodischen Wandel hin zu kausal-bewusster und adaptiver multimodaler Fusion in der Finanzwelt. Das Framework wird als flexible, Plug-and-Play-Lösung präsentiert, die mit verschiedenen Foundation-Modellen instanziiert werden kann und einen robusten Ansatz für ereignisgesteuerte Finanzprognosen bietet, bei denen der prädiktive Wert von Informationen heterogen und nicht-stationär ist.