FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing

该论文提出了名为 FinTexTS 的大规模金融文本 - 时间序列配对数据集，通过基于语义的上下文提取和多级（宏观、行业、关联公司及目标公司）新闻分类框架，有效解决了传统关键词匹配无法捕捉复杂市场关联的局限，并显著提升了股票价格预测性能。

要点

这篇文章介绍了一个名为 FinTexTS 的新项目，它的核心任务是：教计算机如何像经验丰富的老股民一样，通过阅读新闻来预测股票价格。

为了让你更容易理解，我们可以把金融市场想象成一个巨大的、嘈杂的“超级市场”，而股票价格就是货架上商品的价格。

1. 以前的做法：只会“搜关键词”的笨机器人

以前的研究者试图教机器人预测股价，方法是：只要新闻里出现了“苹果公司”或"Apple"这几个字，就把这条新闻和苹果公司的股价联系起来。

• 比喻：这就像你在超市里找苹果。如果机器人只认“苹果”这两个字，它可能会把“苹果派”（一种甜点）或者“苹果树”（一种植物）的新闻也当成苹果公司的新闻。
• 问题：
  1. 漏掉重要信息：如果新闻说“芯片行业面临巨大挑战”，虽然没提“英伟达”（NVIDIA）的名字，但这其实对英伟达影响巨大。老方法会直接忽略这条新闻。
  2. 层次不分：它分不清哪些新闻是国家大事（比如央行加息），哪些是行业风波（比如半导体短缺），哪些是公司八卦（比如 CEO 辞职）。它把所有新闻混为一谈。

2. 新做法：FinTexTS 的“智能读心术”

这篇论文提出了一种更聪明的方法，叫**“基于语义和多级配对”。我们可以把它想象成给机器人配备了一位“超级分析师”**。

这个分析师的工作流程分为四步：

第一步：读懂公司的“体检报告” (SEC 文件解析)

• 做法：分析师会先仔细阅读公司提交的官方文件（SEC 文件），了解这家公司到底是做什么的、有什么风险、最近有什么大动作。
• 比喻：这就像在去超市买苹果前，先仔细研究苹果树的生长习性、土壤需求和病虫害历史。这样你就知道，什么样的新闻会对这棵树产生真正的影响。

第二步：像侦探一样“意会”新闻 (语义配对)

• 做法：不再死板地搜关键词，而是利用 AI 的“理解能力”。如果新闻说“显卡需求暴涨”，AI 能立刻明白这和“英伟达”有关，哪怕新闻里没提英伟达的名字。
• 比喻：就像你看到新闻说“夏天到了，冰淇淋销量大增”，你不需要新闻里写“哈根达斯”的名字，也能立刻联想到哈根达斯会卖得好。这就是**“意会”**。

第三步：把新闻分门别类 (多级配对)

这是 FinTexTS 最厉害的地方。它把新闻分成了四个层级，像剥洋葱一样：

1. 宏观层 (Macro)：国家大事。比如“美联储加息了”。这就像天气变了，会影响整个超市的所有商品。
2. 行业层 (Sector)：行业大事。比如“芯片行业产能不足”。这就像水果区整体缺货，会影响所有卖水果的摊位。
3. 关联公司层 (Related Company)：竞争对手或合作伙伴。比如“英伟达发布了新显卡”。这对 AMD（英伟达的竞争对手）来说，既是好消息（行业火）也是坏消息（竞争大）。
4. 目标公司层 (Target)：公司自己的事。比如“AMD 宣布与微软合作”。

• 比喻：以前机器人是把所有新闻倒进一个锅里煮。现在，FinTexTS 给机器人准备了四个不同大小的碗：
  • 大碗装“天气变化”（宏观）；
  • 中碗装“水果区行情”（行业）；
  • 小碗装“隔壁摊位的动静”（竞争对手）；
  • 小碟子装“自家摊位的事”（公司自身）。
    这样，机器人就能清楚地知道，到底是“天冷”导致苹果涨价，还是“自家苹果坏了”导致涨价。

第四步：提炼精华 (新闻摘要)

• 做法：新闻往往很长且啰嗦。AI 会把成千上万条新闻读完后，提炼出最核心的几点，变成简短的摘要。
• 比喻：就像你不想读几十页的报纸，只想看“今日头条”的总结。

3. 实验结果：真的有用吗？

研究人员用这个新方法构建了一个巨大的数据集（FinTexTS），包含了 100 家大公司、5 年的数据和约 100 万条新闻。

• 结果：当他们用这个数据去训练预测模型时，准确率比以前的“关键词搜索法”高了很多。
• 发现：
  • 加上“语义理解”（意会新闻）比死板搜索更准。
  • 加上“多级分类”（分清宏观、行业、公司）比只关注公司自己更准。
  • 如果用更高质量的付费新闻（私有数据），效果还会更好。

总结

这篇论文的核心思想就是：预测股票不能只看“谁提到了谁”，而要看“谁和谁有关系”以及“这件事在什么层面上发生了”。

FinTexTS 就像给金融 AI 装上了一双**“透视眼”和“分类脑”**，让它能透过新闻的字面意思，看到背后复杂的商业逻辑和层层递进的影响关系，从而做出更聪明的预测。

一句话总结：以前是“见字即连”，现在是“懂意分层”，让 AI 真正像人类专家一样理解金融世界的复杂性。

技术摘要

以下是基于论文《FinTexTS: Financial Text-Paired Time-Series Dataset via Semantic-Based and Multi-Level Pairing》的详细技术总结：

1. 研究背景与问题定义 (Problem)

核心挑战：
在金融领域，构建高质量的“文本 - 时间序列”（Text-Time Series, Text-TS）配对数据集面临巨大挑战。现有的主流方法主要依赖基于关键词的匹配（Keyword-based Matching），即当新闻中显式出现公司名称时，将其与该公司的股价进行配对。这种方法存在两个显著缺陷：

1. 语义相关性缺失： 许多对股价有重大影响的文章并未显式提及目标公司。例如，关于 GPU 数据中心建设的新闻对英伟达（NVIDIA）至关重要，但若文中未出现"NVIDIA"一词，基于关键词的方法会将其遗漏。同样，竞争对手或合作伙伴的负面新闻也会间接影响目标公司，但常被忽略。
2. 忽视多层次市场动态： 金融市场的复杂性在于其多层次互动。股价不仅受公司自身事件影响，还受宏观层面（国家政策、美联储动向）、行业层面（半导体行业趋势）、关联公司层面（供应链、竞争对手）以及目标公司层面的综合影响。简单的关键词匹配无法捕捉这种交织的多层级关系，导致数据配对噪声大且信息不全。

2. 方法论 (Methodology)

为了解决上述问题，作者提出了一个基于语义且多层次的配对框架（Semantic-Based and Multi-Level Pairing Framework），并据此构建了名为 FinTexTS 的新数据集。该框架包含四个核心组件：

2.1 基于 LLM 的 SEC 文件解析 (LLM-Based SEC Filing Parsing)

• 目的： 获取目标公司的特定上下文信息，作为语义匹配的查询基础。
• 过程： 利用大语言模型（LLM）从 SEC 文件（如 10-K, 8-K 等）中提取标准化信息。
• 分类： 将提取内容分为五类：概述与产品、战略与市场、治理与风险、财务信息、近期事件与催化剂。
• 处理： 由于 SEC 文件非每日发布，采用前向填充（Forward-filling）策略构建每日配对数据。

2.2 基于 LLM 的新闻分类 (LLM-Based News Classification)

• 目的： 实现多层次配对。
• 层级定义：
  1. 宏观层面 (Macro-level)： 影响国家或全球经济的事件（如财政政策、央行行动）。
  2. 行业层面 (Sector-level)： 影响整个行业或特定板块的事件（基于 GICS 标准）。
  3. 公司层面 (Company-level)： 进一步细分为“目标公司”和“关联公司”。
• 执行： 使用 LLM 根据预设标准将新闻文章分类到上述层级。

2.3 基于嵌入的新闻配对 (Embedding-Based News Pairing)

• 核心创新： 解决关键词匹配无法捕捉隐式语义的问题。
• 流程：
  1. 微调嵌入模型： 使用在 3.2 节中分类好的行业级新闻数据，通过对比学习（Contrastive Learning）微调预训练嵌入模型（Linq-Embed-Mistral），使其能捕捉金融领域的行业语义相似性。
  2. 语义检索： 将解析后的 SEC 文件内容作为 Query，在新闻库中检索语义最相关的 Top-N 篇文章。
  3. 二次分类： 对检索结果再次使用 LLM 分类，区分“目标公司级”、“关联公司级”和“无关”文章，剔除噪声。

2.4 基于 LLM 的新闻摘要 (LLM-Based News Summarization)

• 目的： 解决原始新闻冗长、信息冗余及包含无关细节的问题。
• 过程： 针对每个层级（宏观、行业、公司），利用 LLM 结合上下文（如 SEC 文件内容或层级定义），识别出对目标影响最大的 Top-N 个事件类别，并生成精简的摘要。

3. 关键贡献 (Key Contributions)

1. 识别现有局限： 明确指出基于关键词的配对方法在金融领域无法捕捉隐式语义关联和忽略多层次市场动态的缺陷。
2. 提出新框架： 首创了结合“语义匹配”与“多层次分类”的配对框架，利用 SEC 文件上下文和微调的嵌入模型进行精准检索，并利用 LLM 进行层级划分。
3. 构建 FinTexTS 数据集：
   • 规模： 覆盖 100 家市值最大的上市公司，时间跨度为 5 年（2019-2023）。
   • 数据量： 基于约 100 万篇新闻文章构建，包含宏观、行业、关联公司、目标公司四个层级的配对文本。
   • 资源公开： 数据集、微调后的嵌入模型及代码均已开源。
4. 验证有效性： 通过股票价格预测任务，证明了该框架生成的数据能显著提升预测性能，且使用私有高质量新闻源（如 LSEG MRN）能带来进一步的性能提升。

4. 实验结果 (Results)

作者在 12 种主流时间序列预测模型（如 Autoformer, PatchTST, iTransformer 等）上进行了股票价格预测实验：

• 语义配对 vs. 关键词配对： 在所有模型中，基于语义配对（Semantic-based）的方法均显著优于基于关键词配对（Keyword-based）的方法。关键词方法因引入不相关噪声和配对不一致性，表现甚至不如无文本输入（w/o Text）的基线。
• 多层次配对的效果： 实验显示，随着文本信息从宏观层、行业层、关联公司层逐步叠加到目标公司层，预测误差（MSE/MAE）持续下降。这表明多层次信息提供了互补信号，对预测至关重要。
• 微调嵌入模型的效果： 对比实验表明，经过领域微调的嵌入模型在新闻检索的命中率（Hit-rate）上比基础模型提升了 1.4% 至 5.9% 不等，证明了微调策略的有效性。
• 私有数据 vs. 公开数据： 将框架应用于 LSEG 提供的私有高质量新闻源（MRN）后，预测性能进一步优于使用公开新闻源构建的数据，表明数据质量与配对策略同样重要。
• 案例研究： 以 AMD 为例，展示了框架如何成功捕捉宏观（美联储加息）、行业（半导体利好）、关联公司（NVIDIA 表现）及目标公司（与微软合作）的多维度信息，从而改善预测轨迹。

5. 意义与影响 (Significance)

• 范式转变： 推动了金融文本 - 时间序列分析从简单的“关键词匹配”向“语义理解”和“结构化多层次建模”转变。
• 数据基础设施： FinTexTS 填补了高质量、多模态、多层次金融文本 - 时间序列数据集的空白，为后续研究提供了基准。
• 模型性能提升： 证明了在金融预测中，引入经过精心筛选和结构化的外部文本信息（特别是隐式语义信息）能显著提升模型的泛化能力和准确性。
• 未来方向： 为开发专门针对多层次文本信息利用的文本 - 时间序列多模态架构指明了方向。

总结： 该论文通过引入大语言模型和语义检索技术，成功构建了一个能够反映金融市场复杂依赖关系的高质量数据集，显著提升了股票价格预测的准确性，为金融多模态学习领域树立了新的标杆。