🤖 AI

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

Dit artikel stelt GS-FUSE voor, een multimodaal raamwerk dat financiële gebeurtenisvoorspelling verbetert door een Granger-gesuperviseerde gated fusion-module te integreren om voorspellende tekstsignalen selectief op te nemen en een multi-granulariteitsalignatiemechanisme om tekstuele aanwijzingen beter af te stemmen op markttrends, waardoor het consequent betere prestaties levert dan bestaande state-of-the-art modellen.

Oorspronkelijke auteurs: Yang Zhang, En Chun, Ziyun Mao, Yulu Wu, Jun Wang

Gepubliceerd 2026-05-28

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yang Zhang, En Chun, Ziyun Mao, Yulu Wu, Jun Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je het weer probeert te voorspellen. Je hebt twee bronnen van informatie:

De barometer (prijsdata): Een machine die elke seconde windsnelheid, temperatuur en luchtdruk registreert. Het is uitstekend in het tonen van de huidige trends.
De nieuwslezer (gebeurtenistekst): Een persoon die plotselinge updates schreeuwt, zoals "Er vormt zich een orkaan!" of "De overheid heeft net de belastingwetten gewijzigd!"

Het probleem:
De meeste huidige computermodellen proberen deze twee bronnen te mengen als een smoothie. Ze mengen de barometerdata en de stem van de nieuwslezer gedurende de hele tijd gelijkmatig.

De fout: Soms herhaalt de nieuwslezer alleen oude informatie of schreeuwt hij onzin. Als de computer die ruis in de weersvoorspelling mengt, raakt hij in de war. Op andere momenten zegt de nieuwslezer iets belangrijks (zoals een onverwachte renteverhoging), en de computer moet dan zeer goed luisteren, maar hij behandelt het net als een saaie update.

De oplossing: GS-Fuse
De auteurs van dit artikel hebben een nieuw systeem gebouwd dat GS-Fuse heet. Denk hierbij aan een slimme, voorzichtige Verkeersregelaar die staat tussen de barometer en de nieuwslezer.

Hier is hoe het werkt, met eenvoudige analogieën:

1. De "Granger-gecontroleerde" poort (De slimme filter)

De kerninnovatie is een speciale "poort" die bepaalt wanneer de nieuwslezer aan het woord mag komen.

Hoe het werkt: Voordat de poort opengaat, stelt het systeem een simpele vraag: "Als ik het nieuws negeer en alleen naar de barometer kijk, hoe slecht zou mijn voorspelling dan zijn? Als ik het nieuws toevoeg, wordt mijn voorspelling dan significant beter?"
De analogie: Stel je voor dat je rijdt. Je hebt een GPS (de prijsdata) die meestal perfect werkt. Plotseling zegt een radio-omroeper (de gebeurtenistekst): "Er staat een enorme file vooruit!"
- Als de GPS al een file toont, herhaalt de radio alleen wat je al weet. De poort blijft gesloten. Je hoeft je plan niet te wijzigen.
- Als de GPS een heldere weg toont, maar de radio zegt "Brug is weg!", gaat de poort wijd open. Je vertrouwt de radio onmiddellijk omdat het je nieuwe, levensreddende informatie geeft die de GPS niet had.
Het resultaat: Het systeem luistert alleen naar het nieuws wanneer het nieuws daadwerkelijk iets nieuws en nuttigs toevoegt. Het negeert de "ruis".

2. Multi-granulaire uitlijning (De markeerstift)

Zodra de poort opengaat en de tekst toelaat, moet het systeem weten welk deel van de tekst belangrijk is.

Het probleem: Financiële nieuwsberichten zijn lang. Ze kunnen 500 woorden bevatten, maar slechts één zin (bijvoorbeeld "Inflatie stijgt sneller dan verwacht") beweegt de aandelenmarkt echt. De rest is alleen maar saaie juridische jargon.
De oplossing: Het systeem werkt als een markeerstift. In plaats van het hele nieuwsartikel als één grote klomp te behandelen, zoomt het in. Het koppelt specifieke woorden in de tekst (zoals "renteverhoging") aan specifieke momenten in de markdata (zoals een plotselinge prijsdaling).
De analogie: Het is als een leraar die een essay van een student corrigeert. In plaats van het hele essay één cijfer te geven, cirkelt de leraar de ene briljante zin die het punt bewijst en negeert de opvulling. Dit helpt de computer precies te begrijpen waarom de markt bewoog.

3. De "Plug-and-Play"-adapter

De auteurs hebben dit systeem zo gebouwd dat het werkt met elk bestaand "brein" (Grote Taalmodellen voor tekst en Tijdreeksmodellen voor cijfers).

De analogie: Denk aan GS-Fuse als een universele stroomadapter. Je kunt hem in een Samsung-telefoon, een iPhone of een generieke lader steken. Het maakt niet uit welk specifiek "brein" je gebruikt; de adapter zorgt ervoor dat ze allemaal soepel samenwerken om het probleem op te lossen.

Wat hebben ze gevonden?

Het team heeft dit systeem getest op echte financiële data, waaronder de S&P 500 (de aandelenmarkt) en staatsobligaties (overheidsleningen).

Het resultaat: GS-Fuse sloeg consequent alle andere modellen. Het maakte minder fouten bij het voorspellen hoe prijzen zouden bewegen na grote nieuwsgebeurtenissen.
Waarom het won: Het raapte niet zomaar gissen; het leerde om sceptisch te zijn. Het wist wanneer het nieuws moest negeren en wanneer het goed moest luisteren, en het wist precies welke woorden in het nieuws het belangrijkst waren.

Samenvattend:
GS-Fuse is een instrument voor financiële prognoses dat niet alleen het nieuws "leest" en naar de grafieken "kijkt". Het werkt als een wijze belegger die weet wanneer hij de ruis moet negeren en wanneer hij moet luisteren naar het signaal, zodat elk stukje informatie dat wordt gebruikt voor een voorspelling daadwerkelijk helpt.

Technische Samenvatting: GS-Fuse

Probleemstelling

Het nauwkeurig voorspellen van de impact van opvallende financiële gebeurtenissen (bijv. macro-economische releases, beleidsbeslissingen) op activa-prijzen is cruciaal voor beleggers en beleidsmakers. Hoewel recente vooruitgang in Large Language Models (LLM's) en Time-Series Foundation Models de unimodale voorspelling hebben verbeterd, staan bestaande multimodale benaderingen voor gebeurtenisgedreven financiële voorspelling voor drie primaire beperkingen:

Gebeurtenis-invariante Fusie: Huidige methoden fuseren doorgaans tekst- en prijsgegevens symmetrisch met behulp van gedeelde lagen, uitgaande van een stabiel evenwicht tussen modaliteiten. Dit faalt in het aanpassen aan de heterogene aard van financiële markten, waarbij sommige gebeurtenissen worden gedreven door sentiment terwijl andere vooraf bestaande technische patronen volgen.
Gebrek aan Causaal-bewuste Fusie: Bestaande modellen missen expliciete mechanismen om te bepalen wanneer gebeurtenistekst incrementele voorspellende waarde biedt boven historische prijzen. Ze fuseren modaliteiten vaak symmetrisch, wat het risico met zich meebrengt om ruisachtige of oninformatieve tekst overmatig te gebruiken.
Grofkorrelige Uitlijning: Standaard uitlijnmechanismen werken op het niveau van het voorbeeld (globale gebeurtenisembedding versus globale tijdreeksembedding). Dit negeert het feit dat slechts specifieke passages in financiële releases (bijv. forward guidance in FOMC-verklaringen) marktreacties drijven, wat leidt tot verwaterde signalen van irrelevante inhoud.

Methodologie

De auteurs stellen GS-Fuse voor, een multimodaal raamwerk ontworpen om deze beperkingen aan te pakken via een Granger-supervised, causaal-bewust gegateerd fusiemechanisme en multi-granulaire uitlijning. De architectuur bestaat uit vier hoofdcomponenten:

1. Encoders

Tekst-encoder: Gebruikt een vooraf getrainde LLM (bijv. LLaMA, Phi-3) om gebeurtenisscripts ( $E_i$ ) te coderen in token-niveau representaties, die worden geprojecteerd in een gedeelde embedding-ruimte.
Tijdreeks-encoder: Gebruikt een vooraf getraind Time-Series Foundation Model (bijv. MOMENT, Kronos) om pre-gebeurtenis marktsegmenten ( $X_i$ ) te coderen in stap-voor-stap representaties.
Bevriezingsstrategie: De backbone LLM en TS foundation-modellen blijven bevroren; alleen projectiekoppen en downstream-modules worden getraind.

2. Multi-Granulaire Cross-Modale Uitlijning

Om de modale kloof te overbruggen, dwingt GS-Fuse uitlijning af op twee niveaus:

Instance-niveau Globale Uitlijning: Gebruikt bidirectionele cross-attention om token- en staprepresentaties te verweven, gevolgd door een InfoNCE contrastief verlies om globale gebeurtenis- en tijdreeksembeddings uit te lijnen.
Token/Stap Fijnkorrelige Uitlijning: Lijnt individuele teksttokens uit met specifieke tijdreeksstappen. Een salientie-scorer identificeert de top- $K$ "anker"-tokens, en een contrastief verlies moedigt deze saliente tokens aan om uit te lijnen met hun overeenkomstige temporele patronen, terwijl het ongerelateerde stappen van andere voorbeelden afstoot.

3. Granger-supervised Causaal Gating

Dit is de kerninnovatie. Het model maakt gebruik van een gating-mechanisme dat beslist of gebeurtenistekst wordt opgenomen op basis van zijn incrementele voorspellende nut:

Granger Nutssignaal: Tijdens het trainen vergelijkt het model een "beperkte" predictor (alleen tijdreeksgegevens, $\hat{Y}_{ts}$ ) met een "onbeperkte" predictor (zowel tekst als tijdreeks, $\hat{Y}_{full}$ ).
Supervisie: Het verliesverschil ( $\Delta_i = \ell(Y_i, \hat{Y}_{ts}) - \ell(Y_i, \hat{Y}_{full})$ ) dient als proxy voor Granger-causaliteit. Als het opnemen van tekst de voorspellingsfout vermindert, wordt de tekst nuttig geacht.
Gating Training: Een gating-netwerk voorspelt een scalair openheidsscore ( $\alpha_i$ ) voor elk voorbeeld. Deze score wordt gesuperviseerd via een distillatieverlies om te matchen met een zachte "verantwoordelijkheid"-doel ( $r_i$ ) afgeleid van de Granger-utility. De poort opent ( $\alpha_i \approx 1$ ) alleen wanneer tekst meetbare waarde biedt en sluit anders.

4. Decoder

Een lichtgewicht Transformer-decoder neemt de gefuseerde representatie (gewogen door de poort) en genereert de toekomstige marktpad over de voorspellingshorizon $H$ .

Trainingschema

Het model wordt in drie fasen getraind voor stabiliteit:

TS-only Pre-training: Het trainen van de tijdreeks-branch om een sterke basislijn te vestigen.
Text-only Warm-up: Het trainen van de tekst-branch om ervoor te zorgen dat gebeurtenisrepresentaties voorspellingsrelevant zijn.
Multimodaal Fine-tuning: Gezamenlijk trainen van de fusie- en uitlijnmodules met een gecombineerd doel van voorspellingsverlies, uitlijnverlies en gating-supervisie.

Belangrijkste Bijdragen

Granger-supervised Gegateerde Fusie: Een nieuwe module die leert om selectief te vertrouwen op gebeurtenistekst alleen wanneer deze incrementele voorspellende waarde biedt boven historische prijzen, effectief de causale richting van gebeurtenis naar prijs modellerend.
Multi-Granulaire Uitlijning: Een gezamenlijk uitlijnschema dat werkt op zowel het instance-niveau als het fijnkorrelige token/stap-niveau, waardoor het model specifieke tekstuele aanwijzingen kan lokaliseren die marktreacties drijven.
Plug-and-Play Raamwerk: Een model-onafhankelijke adapter die willekeurige LLM's en tijdreeks foundation-modellen kan omhullen, waardoor het flexibel is over diverse backbones en marktomstandigheden.

Experimentele Resultaten

De auteurs hebben GS-Fuse geëvalueerd op een gecureerde dataset die macro-economische releases (CAMEF) en financieel nieuws (FNSPID) integreert tegenover vijf activa (S&P500, NASDAQ, INDU, USGG1M, USGG5YR) over drie voorspellingshorizons ( $H \in \{35, 70, 140\}$ 5-minuten stappen).

Prestaties: GS-Fuse presteerde consequent beter dan state-of-the-art unimodale baselines (ARIMA, DLinear, iTransformer, FEDformer) en multimodale baselines (GPT4MTS, TimeCMA, TEST). Het behaalde de laagste MSE en MAE over alle activa en horizons.
Ablatie-studies: Het verwijderen van de Granger-poort of de multi-granulaire uitlijning resulteerde in significante prestatiedalingen, wat bevestigt dat beide componenten essentieel en complementair zijn.
Backbone Generaliteit: Het raamwerk toonde robuustheid over verschillende LLM (LLaMA versus Phi) en TS foundation (MOMENT versus Kronos) combinaties, hoewel specifieke koppelingen marginale variaties in prestaties opleverden.
Causale Analyse: De gemiddelde poortopenheid was ongeveer 51% voor aandelenindices, maar hoger (60,68%) voor Treasury-rendementen, wat aangeeft dat het model dynamisch zijn afhankelijkheid van tekst aanpast op basis van de activaklasse en de specifieke nuttigheid van het gebeurtenisverhaal.

Betekenis en Claims

Het artikel beweert dat GS-Fuse de fundamentele fout in bestaande multimodale voorspelling aanpakt: de aanname dat tekst- en prijsgegevens altijd symmetrisch moeten worden gefuseerd. Door een Granger-supervised poort in te voeren, leert het model expliciet de conditionele afhankelijkheid van prijzen van gebeurtenistekst, waardoor de ruis van oninformatieve verhalen wordt vermeden. De multi-granulaire uitlijning zorgt er bovendien voor dat het model zich richt op de specifieke delen van een gebeurtenisscript die marktbewegingen drijven.

De auteurs positioneren GS-Fuse niet alleen als een prestatieverbetering, maar als een methodologische verschuiving naar causaal-bewuste en adaptieve multimodale fusie in de financiën. Het raamwerk wordt gepresenteerd als een flexibele, plug-and-play oplossing die kan worden geïnstancieerd met diverse foundation-modellen, en biedt een robuuste aanpak voor gebeurtenisgedreven financiële voorspelling waar de voorspellende waarde van informatie heterogeen en niet-stationair is.