M2VN: 多模态股票波动率预测，QLike和MAPE分别提升11.7%和3.6%
“Fusing Narrative Semantics for Financial Volatility Forecasting”
金融市场波动预测在量化金融中至关重要，传统方法依赖时间序列数据，NLP和LLM为结合新闻文本信息预测带来可能，但利用LLM提取文本特征用于波动预测的研究有限。
本文提出M2VN：多模态波动网络，结合传统时间序列特征与新闻数据，用TiMaGPT嵌入新闻内容，引入辅助对齐损失函数，实验证明其效果优于现有基线。
结果显示，M2VN 表现出色，在多数股票 - 指标设置中超越 8 个基线模型，14 个评估设置里 12 次排前二，10 次排第一。虽 HAR - X（Lasso）在 2 个设置中表现最佳，但 M2VN 在多数组合中表现更优。相比省略跨模态对齐损失的 TimesNet，M2VN 的平均 QLike 和 MAPE 分别提升 11.7% 和 3.6%。
【 扫描文末二维码加入星球获取论文，源码 】
摘要
介绍M2VN（多模态波动率网络），这是基于深度学习的金融波动率预测框架，统一时间序列特征与非结构化新闻数据。它借助深度神经网络解决两大挑战：对齐融合异构数据（数值金融数据与文本信息）、减轻前瞻偏差。M2VN结合开源市场特征与Time Machine GPT生成的新闻嵌入确保时间完整性，引入辅助对齐损失增强数据整合。实验表明M2VN持续优于现有基线，对动态市场风险管理和金融决策有实用价值。
简介
金融市场波动预测在量化金融中至关重要，传统方法依赖时间序列数据，NLP和LLM为结合新闻文本信息预测带来可能，但利用LLM提取文本特征用于波动预测的研究有限。
现有研究多通过词嵌入结合线性或NLP模型预测，将LLM提取信息与深度学习时间序列模型结合的统一框架待探索，原因是金融时间序列与文本数据融合存在模态对齐和避免前瞻偏差两大挑战。
本文提出M2VN：多模态波动网络，结合传统时间序列特征与新闻数据，用TiMaGPT嵌入新闻内容，引入辅助对齐损失函数，实验证明其效果优于现有基线。M2VN可以评估新闻文章对已实现波动率预测的增量价值，首次用TiMaGPT避免金融波动预测中的前瞻偏差。
相关工作
金融波动预测
传统波动率预测以 GARCH 模型为主，但其受日收益率波动代理指标噪声影响；RV 模型基于高频日内数据，HAR 模型显著提升预测精度；因高频数据获取难、成本高，研究者探索基于日开盘、高、低、收盘价的范围估计量。实证表明，高频模型在极短期预测中表现优，但在较长预测期（如一个月）与低频模型精度差异不大，低频方法在现实中实用有效。
近期研究引入外生变量构建 HAR-X 框架以提升波动率预测性能，外生变量包括隐含波动率指数等，能增强样本外预测准确性，低频 HAR-X 模型有时可媲美高频方法。但现有研究多聚焦结构化数值数据或线性模型，对结合非结构化文本源与时间序列特征的探索较少，需开展多模态波动率预测的系统研究。
文本增强时间序列预测
文本信息融入时间序列预测（TSF）进展：聚焦大语言模型（LLMs）应用及金融场景前瞻偏差挑战。
LLMs用于TSF：整合外部文本信息可提升TSF，近期研究显示LLMs能显著推进该方法，如展示其在时间序列任务中的通用性、零样本预测能力，提出将时间序列数据转换为LLMs更易理解格式的重编程方法。
金融预测中的前瞻偏差：LLM方法用于金融时间序列受前瞻偏差影响，即模型在训练或评估时意外获取未来信息，导致结果乐观但不可靠。应对方法有使用匿名数据，但会限制数据丰富度；引入TiMaGPT，确保训练时模型不知未来事件，为动态金融环境下可靠TSF奠定基础。
M2VN
问题定义
多模态波动率预测将任务定义为有监督的序列到单值学习问题，目标是利用历史异构数据流预测未来金融波动率。时间域为离散交易日 𝑡 = 1, …, T，在 𝑡 日收盘时预测 𝑡 + 𝐻 日（ 𝐻 ≥ 1）的已实现波动率，模型输入为 [ 𝑡 − 𝑇 + 1, 𝑡] 区间的多模态元组 Z 𝑡 = ( 𝑋 𝑡 , 𝑁 𝑡 , 𝑀 𝑡 )。其中 𝑋 𝑡 代表量化市场状态，由多种指标向量拼接而成，涉及不同时间尺度的已实现波动率、动量指标、交易量、VIX 指数及新闻文章数量等。
输入信息：
定性信息状态
，由预训练语言模型生成的新闻文章嵌入向量构成。时间标记
，编码日历信息以体现市场季节性。预测目标
是第 t + H 天的稳健波动率估计值，由多种波动率估计器聚合得到。
模型：
模型将输入
映射到波动率预测值 
。
采用双目标函数学习：
预测损失
用均方误差（MSE）衡量预测与实际波动率偏差。
对齐损失
基于对比学习，使同一时间步的市场和新闻中间表示相似，不同时间步相异。
最终优化目标是使 
最小。
M2VN：多模式波动网络
预测需求与架构概述：预测聚合RV 𝑦 𝑡 + 𝐻需综合考虑价格轨迹规律、金融叙事语义和日历季节性。提出的架构通过紧密耦合的管道处理三种模态（价格 𝑋 𝑡 、新闻 𝑁 𝑡 、日历 𝑀 𝑡 ），最终生成预测 𝑦 ˆ 𝑡 + 𝐻 ，网络由三个顺序交互的组件构成。
多模态特征编码器：将各模态转换为宽度为 𝑑 、时间分辨率为 𝑇 的公共潜在空间。分别通过可学习映射 E price 、投影 E news LLM 、谐波嵌入 E time 处理价格、新闻、日历特征，输出三个序列并拼接为 h 1: 𝑇 。为避免前瞻偏差，采用 TiMaGPT 嵌入新闻，按时间回滚知识截止点。
潜在动态模块：建模 𝑇 + 𝐻 范围内的长程依赖和跨模态交互，不进行因果截断。通过 𝐿 个相同的块迭代优化嵌入，每个块通过谱 - 卷积算子 C ℓ 分离价格轨迹中最具能量的周期，再进行二维卷积。采用两步法处理波动预测难题：先谱滤波分离重要结构，再用多尺度核进行二维卷积捕捉跨时间交互。选择高能模式是基于理论的决策，可减少重建误差，提高泛化和稳定性。
最佳 𝑘 -项傅里叶逼近：
给定
及其离散傅里叶变换 
，I_k 收集 k 个能量
最大的索引。
h_k 最小化逼近误差
，由帕塞瓦尔恒等式证明，最优支持集 S = I_k，通过逆离散傅里叶变换得到 h_k。
跨模态融合与损失计算：
函数
进行门控跨模态融合，根据价格表示 r_{1:T} 和新闻表示 t_{1:T} 计算门控 a_{1:T}，得到 z_{1:T}，经处理后 h_{1:T} 包含价格与新闻的相互信息。
提取对齐嵌入 r_{1:T} 和 t_{1:T}，通过线性投影到对齐空间，使用 InfoNCE 损失鼓励模态间语义一致性。
波动率投影头：将融合的潜在序列转换为点预测 𝑦 ˆ 𝑡 + 𝐻 ，对 h 1: 𝑇 ( 𝐿) 的价格通道切片应用时间投影 𝑊 𝑝 得到 h ˜ 1: 𝑇+ 𝐻 ，取最后位置经仿射映射 𝑊 𝑜 得到预测结果，目标 𝑦 𝑡 + 𝐻 用确定性输出合适。
网络参数通过最小化联合目标 T ( \theta ) 训练，第一项是均方预测损失， 𝜆 > 0 控制跨模态对齐权重，用随机梯度下降和自动微分求解 𝜃 ★ 。
实验
实现细节
数据介绍：构建含7只美国大市值股票的统一日面板数据集，从FNSPID提取每只股票的日价格信息和相关新闻全文，按文章量选这7只股票。
数据处理：将新闻和时间序列数据按时间分为2013 - 2017训练集、2018 - 2020验证集、2021 - 2023测试集，新闻按前一日与价格记录对齐。
基线模型：用10个基线模型评估M2VN，经典组含4种HAR变体，现代深度学习组含6种架构。3种HAR - X模型用PCA降维新闻嵌入，深度学习模型直接使用原始新闻嵌入。
训练细节：模型以 12 个时间步长训练，最后 2 步为上下文标签，预测未来 1 步。用 Adam 优化，初始学习率 3×10⁻⁴ 并采用余弦衰减，验证集早停防过拟合。超参数通过随机搜索从指定网格选 100 个配置，各实验重复 3 次，报告均值。
评估指标：用 MAPE 和 QLIKE 量化模型性能，MAPE 是无尺度百分比误差，QLIKE 更重高波动时的低估预测。计算 QLIKE 时，因模型直接预测波动率，将 𝑦ₜ 和 𝑦̂ 定义为标准差，以用于模型性能内部排名。
M2VN对波动率预测有用吗？
为探究多模态框架是否提升波动率预测效果，对 M2VN 模型在 7 个真实股票数据集上开展实证评估，与经典和深度学习基线模型对比。
结果显示，M2VN 表现出色，在多数股票 - 指标设置中超越 8 个基线模型，14 个评估设置里 12 次排前二，10 次排第一。虽 HAR - X（Lasso）在 2 个设置中表现最佳，但 M2VN 在多数组合中表现更优。相比省略跨模态对齐损失的 TimesNet，M2VN 的平均 QLike 和 MAPE 分别提升 11.7% 和 3.6%。
其优势源于两大创新：一是通过辅助对比对齐损失融合市场数据与新闻叙事，学习更丰富市场表征；二是潜在动态模块利用谱滤波分离信号周期成分，有效降噪，避免过拟合。实证表明 M2VN 架构适用于波动率预测。
成交量是新闻信息的代表吗？
为研究市场活动与叙事信息的关系，检验交易量能否作为新闻的代理变量。依据有效市场假说，交易量常反映新闻信息。对M2VN模型进行每日交易成交量的消融研究，对比含交易量特征和剔除该特征的模型表现。
结果显示，剔除交易量后，7只股票的预测准确性显著且持续下降，含交易量的模型在28对股票指标中表现更优，平均降低MAPE 2.86 ±3.06%、QLike 5.64 ±2.40%。这表明交易量并非新闻的简单代理，而是补充信息源，捕捉了新闻语义未完全反映的市场动态，开发金融预测模型时应将新闻叙事和交易量视为非冗余的重要信息源。
新闻嵌入具有预测性吗？
为确定新闻嵌入对M2VN模型预测能力的直接贡献，进行消融研究，对比有、无新闻模态（$N_t$）时模型表现。表2给出7只美国股票样本外预测精度，指标为拟似然损失（QLike）和平均绝对百分比误差（MAPE）。结果显示，纳入新闻嵌入持续提升预测性能，含新闻嵌入的标准M2VN模型在两指标上均显著优于无新闻嵌入模型。如可口可乐、康卡斯特等股票，QLike和MAPE均有下降，康菲石油和甲骨文的性能差距尤为明显，表明新闻内容为这些股票提供了有意义的信号。
新闻整合对股票预测有益，但改善幅度因股而异。如吉利德科学受公开新闻叙事影响小，价格或由量化市场状态因素主导；而 COP 和 ORCL 等股票的波动率对新闻更敏感，差异源于行业新闻影响、公司事件频率等。新闻嵌入能提供历史价格数据未及时捕捉的信息，其在不同股票中的效果不同，凸显定性信息与资产价格动态的关联。含新闻嵌入的模型持续表现更优，证明其对 M2VN 架构下的波动率预测有重要作用。
展示预测质量
对 M2VN 在 CMCSA 和 KO 数据集（2021 - 2023）上的样本外预测与真实值及 HAR - X（Lasso）和 TimeXer 两个基线模型作定性比较。各模型都难预测单日极端波动冲击的准确幅度，但 M2VN 能更有效捕捉峰值；HAR - X（Lasso）和 TimeXer 预测过于平滑，低估尖峰，HAR - X（Lasso）跟踪事件后衰减能力弱，平静期常过度预测。M2VN 虽可能低估极端波动高度，但能可靠识别急剧上升的方向和时机，而基线模型反应平淡或滞后。预测罕见波动冲击是金融建模难题，M2VN 在此方面有显著进步。
总结
本研究提出M2VN，融合结构化金融时间序列与非结构化新闻叙事用于波动率预测。借助TiMaGPT新闻嵌入和对比损失跨模态对齐，解决数据融合与前瞻偏差问题。大型美股实验显示，M2VN优于经典计量和深度学习基线模型，MAPE和QLike指标更准。消融研究证实交易量和新闻嵌入信号互补。研究凸显跨模态整合对改进波动率建模和金融风险管理的价值。
我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。
请加微信“LingDuTech163”，或公众号后台私信“联系方式”。
关注【灵度智能】公众号，获取更多AI资讯。
