摘要

本文介绍了一种名为Text2TimeSeries的创新框架，旨在通过结合大型语言模型（LLM）的事件驱动洞察来增强时间序列预测，特别是在金融市场的应用。该研究提出了一种协作建模框架，通过整合文本信息来预测股票价格的变化，利用LLM对未来价格变化的直观理解来更新时间序列预测。这种方法在金融市场的数据上进行了有效性评估，显示出其先进性和实用性。

原理

Text2TimeSeries框架的核心在于利用LLM对未来价格变化的预测能力，通过预测价格变化的离散标签来更新时间序列模型。具体来说，该框架首先训练一个多变量时间序列模型来预测单个股票的价格。然后，利用LLM生成的事件相关洞察作为离散标签，预测未来n个时间点的价格变化。这些预测的变化被用来调整时间序列模型的预测，从而更精确地反映市场事件对股票价格的影响。这种方法的创新之处在于，它不仅考虑了时间序列数据，还结合了文本信息，使得预测模型能够更好地捕捉到非数值因素对股票价格的影响。

流程

Text2TimeSeries的工作流程可以分为三个主要步骤：首先，使用历史价格数据训练时间序列模型Ts，预测未来n个时间点的股票价格。其次，利用LLM函数F预测事件E对股票价格的影响，生成未来n个时间点的价格变化标签。最后，通过更新函数U整合Ts和F的预测结果，调整时间序列的预测值。这一流程通过图示和具体案例进行了详细说明，展示了如何将文本信息转化为对时间序列预测的精确调整。

应用

Text2TimeSeries框架在金融市场的应用前景广阔，特别是在股票价格预测、风险管理和投资策略制定等领域。通过精确捕捉市场事件对股票价格的影响，该框架可以帮助投资者和金融机构做出更明智的决策。此外，这种方法的多模态特性也为其在其他需要结合文本和时间序列数据的领域提供了潜在的应用可能。