Adaptive Multi-Modal Deep Learning for Financial Market Prediction: A Multi-Scale Attention Approach
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
복잡한 비선형 종속성과 체제 변화로 인해 금융 시장 예측은 여전히 어려운 과제이다. 기존의 멀티-모달 접근법은 제한된 시간 범위(5~10일), 단순한 특징, 그리고 정적 융합 메커니즘의 한계를 가지고 있다. 본 논문에서는 세 가지 혁신을 적용한 향상된 듀얼 채널 아키텍처를 제시한다: (1) 5~40일 패턴을 포착하는 다중 스케일 시간 합성곱; (2) 감정과 기술 신호를 동적으로 균형 잡는 적응형 교차 모드 주의; (3) 16개의 기술 지표를 포함하는 확장된 60일 윈도우. 실험 결과 81.39%의 정확도를 보였으며, 이는 기준치의 58.23%보다 높은 수치이다. 절제 연구에서는 개별 지표의 기여도가 각각 7.2%, 5.8%, 5.6%임을 확인했다. 또한 여러 글로벌 주가 지수에 대한 단기 및 장기 예측 작업 모두에서 Deep Convolutional Transformer 및 2CAT과 같은 최첨단 모델보다 우수한 성능을 보여준다. 게다가 주의 가중치 시각화를 통해 모델의해석성이 향상되어 실무자가 다양한 체제에서 주요 시장 동인을 파악할 수 있다.
Abstract
Financial market prediction remains challenging due to complex non-linear dependencies and regime shifts. Existing multi-modal approaches suffer from limited temporal horizons(5-10 days), simplistic features, and static fusion mechanisms. In this paper, we presents an enhanced dual-channel architecture with three innovations: (1) multi-scale temporal convolution capturing 5-40 day patterns; (2) adaptive cross-modal attention dynamically balancing sentiment and technical signals; (3) extended 60-day windows with 16 technical indicators. Experiments demonstrate 81.39% accuracy versus baseline's 58.23%, with ablation studies confirming individual contributions of 7.2%, 5.8%, and 5.6% respectively.It also outperforms state-of-the-art models like Deep Convolutional Transformer and 2CAT in both short-term and long-term forecasting tasks across multiple global stock indices. Moreover, the model’s interpretability is enhanced through attention weight visualization, enabling practitioners to identify key market drivers during different regimes.