Stock Movement Prediction with Multimodal Stable Fusion via Gated Cross-Attention Mechanism

股票走势的准确预测对于投资策略至关重要。股票价格受到各种形式信息的影响，包括财务指标、情感分析、新闻文档和关系结构等。然而，主流的分析方法往往只涉及单一或双一模态来源，忽略了多模态数据的复杂性。此外，数据稀疏性和这些模态之间语义冲突的问题进一步复杂化了局面，这些问题经常被当前模型忽视，导致性能不稳定，限制了实际应用。为了解决这些缺陷，本研究引入了一种名为多模态稳定融合与门控交叉注意力（MSGCA）的新型架构，旨在为股票走势预测稳健地集成多模态输入。MSGCA框架由三个组成部分组成：（1）三模态编码模块，负责处理指标序列、动态文档和关系图，并标准化它们的特征表示；（2）交叉特征融合模块，其中主要和一致的特征通过一对门控交叉注意力网络引导三种模态的多模态融合；（3）预测模块，通过时间和维度的降低来精确执行融合特征的运动预测。经验评估表明，MSGCA框架超过了当前领先的方法，在四个多模态数据集上分别实现了8.1％、6.1％、21.7％和31.6％的性能增益，这归因于其增强的多模态融合稳定性。

本论文旨在解决股票价格预测中多模态数据融合的问题，提出了一种名为MSGCA的新型架构，旨在稳定地整合多模态输入以进行股票运动预测。

MSGCA框架由三个组件组成：trimodal编码模块、交叉特征融合模块和预测模块，通过一对门控交叉注意力网络引导三种模态的多模态融合，提高了多模态融合的稳定性。

论文通过实验评估证明MSGCA框架在四个多模态数据集上的性能表现优于当前领先的方法，取得了8.1％、6.1％、21.7％和31.6％的性能提升。

最近的相关研究包括：“Multimodal learning for stock prediction using attention-based recurrent neural network”和“Stock price prediction using multimodal fusion of news and social media information with graph convolutional network”等。