结合人工智能支持的文本信息和宏观经济特征的时间多模态融合方法，用于多时段油价预测

《Expert Systems with Applications》：Temporal Multimodal Fusion with AI-Enabled Textual and Macroeconomic Features for Multi-Horizon Oil Price Prediction

原油价格预测多模态框架研究，提出融合LLM增强新闻与宏观经济指标的STL分解方法，通过早中期融合在1-8周预测中实现MAPE最低5.78%，趋势准确率达81.51%。

　　

陈彦文|Welbey Prasadirta|李佳燕

台湾国立大学信息管理系，台北106

摘要

由于市场动态具有非线性、非平稳性，并且受到数值基本面和事件驱动文本的双重影响，因此进行准确的多时段原油价格预测十分困难。本研究提出了一个基于分解的多模态框架，该框架将大规模宏观经济指标与经过LLM（大型语言模型）增强的新闻特征相结合，用于预测西德克萨斯中质原油（WTI）的价格。使用GPT-4.1将完整的金融新闻转换为结构化摘要、关键词和标题，然后利用FinBERT嵌入进行编码。同时，通过格兰杰因果关系测试筛选数值预测因子，并利用季节-趋势分解（STL）将WTI价格分解为趋势、季节性和残差三个组成部分。我们在1至8周的不同时间范围内，评估了早期、中期和晚期融合方法的效果。结果表明，早期融合方法在所有时间范围内均实现了最低的平均误差（例如，第8周的MAPE为5.78%，MSE为23.59%），同时保持了较高的稳定性。在4周的时间范围内，该模型的MAPE为3.45%，MSE为6.81%，趋势预测准确率为81.51%。这些发现支持了在实践中将基于LLM的文本背景和宏观经济信号整合到多模态架构中的价值。

引言

原油是全球经济的基石，价格波动影响着通货膨胀、工业产出和能源政策（Patidar, Jain, Dhasmana, & Choudhury, 2024）。近期诸如2019冠状病毒病（COVID-19）大流行和地缘政治冲突等事件凸显了市场的极端波动性，以及可靠预测的必要性（Bilal, Aamir, Abdullah, & Khan, 2024）。这些市场动态具有非线性和非平稳性，价格波动由供需失衡、地缘政治因素和投机行为驱动（Selmi, Hammoudeh, & Wohar, 2023）。

最近的预测工作越来越多地采用数据驱动模型和分解方法。深度学习与信号分解技术（如变分模态分解VMD和经验模态分解EMD）相结合，可以通过分离潜在成分来提高预测准确性（Fang, Zheng, & Wang, 2023a; Huang & Deng, 2021）。利用Loess（STL）方法进行季节-趋势分解，可以进一步区分趋势、季节性和残差行为，使不同预测因子在不同频率上发挥作用（Ding, Zhao, & Zhang, 2024）。然而，许多模型仍然主要依赖数值时间序列数据，未能充分利用非结构化文本中的信息。

来自新闻和在线来源的文本信息可以为价格变动提供早期信号，先前的研究表明文本特征可以补充市场指标在原油预测中的作用（Fang, Wang, Wu, & Zhao, 2023b; Li, Shang, & Wang, 2019; Wu, Wang, Lv, & Zeng, 2021）。然而，大多数方法仅将文本简化为标题级别的情绪或极性分析，这可能会忽略上下文线索和事件结构。此外，分解得到的成分通常被视为“黑箱”，多模态融合通常在模型构建的后期才进行，限制了跨模态的交互作用。最后，许多研究侧重于短时段预测，而采购和规划决策需要多周的预见性（Chen, Deng, Huang, & Qin, 2015）。

这种对多周预测的关注也符合采购实践。在许多能源密集型企业中，采购合同通常会提前几周签订，库存调整则根据运输时间和物流限制按周或月度周期进行规划。因此，选择1至8周的时间范围，使模型输出与可操作的规划窗口保持一致，以便根据预期的价格路径来做出提前采购、库存再平衡、合同安排和短期对冲决策。STL分解得到的三个成分与这些决策层面自然对应：趋势成分受宏观经济基本面的影响，决定了是选择固定价格供应协议还是维持浮动价格暴露；库存规划则基于季节性周期（28天需求周期），这与每月的库存释放、合同续签和运输计划相关，为库存调整提供了时间依据。由新闻事件（包括供应中断、地缘政治事件和意外库存数据）引起的价格变动主要集中在残差成分中，其中经过LLM增强的文本嵌入提供了最有价值的信息，有助于快速制定对冲策略。在4周的时间范围内，81.51%的方向预测准确性转化为在每次采购周期中关于固定价格合同与浮动价格合同决策上的可衡量优势（Hsu, Hung, & Lee, 2025）。

为了解决这些问题，我们提出了一个基于分解的多模态融合框架，用于多时段西德克萨斯中质原油（WTI）的预测，该框架将宏观经济指标与富含上下文的新闻表示相结合。我们的贡献包括：

•

LLM增强型特征工程：我们使用生成预训练Transformer（GPT）4.1（GPT-4.1）¹将完整文章转换为结构化特征（替代标题、关键词和摘要），同时保留了上下文信息。我们利用FinBERT对增强后的文本进行编码，以捕捉超出极性评分的细微金融语义。

•

基于分解的多模态架构：我们应用STL将WTI价格分解为趋势、季节性和残差三个成分，并通过专用的长短期记忆（LSTM）网络为每个成分提供定制输入，以提高可解释性和准确性。

•

融合策略评估：我们系统地比较了早期、中期和晚期融合方法，系统评估了在原油预测中整合数值数据和文本数据的最有效策略，这在现有文献中较为缺乏。结果表明，在这种设置下，早期融合方法能够提供最稳定和准确的长期预测。

本文的其余部分安排如下：第2节回顾了原油价格预测的相关文献；第3节详细介绍了所提出的多模态融合框架；第4节介绍了实验设置并讨论了结果；第5节总结了本文并提出了未来研究的方向。

相关研究

原油价格预测已经从纯数值模型发展到结合分解、文本信号和多模态学习的方法。我们将相关工作分为三个方向：（1）时间序列和分解模型；（2）文本信号和情感分析；（3）多模态融合策略。

方法论

本研究开发了一个基于分解的多模态预测框架，该框架将大规模数值指标与丰富的文本表示相结合，用于预测多时段WTI原油价格。设计选择基于两个考虑因素：首先，原油价格具有高度非平稳性，表现出不同的低频和高频动态，这些动态无法通过单一的统一模型完全捕捉；其次，与市场相关的信息分布在不同的数据源中。

实证结果

实证研究评估了在STL-LSTM分解框架下，将事件感知的文本信号与大规模数值指标结合使用，是否能够改善多时段WTI价格预测的效果。我们使用MAPE、MSE和SMAPE指标报告了8周时间范围内的点预测误差，并通过定义“平坦”区间的趋势准确性得分来评估预测的方向正确性。

结论

本研究开发了一个基于分解的多模态原油价格预测框架，该框架明确解决了文献中存在的两个持续性问题：文本信息的浅层使用以及信号分解在深度预测模型中的不透明作用。通过将基于LLM的文本表示与大量结构化的宏观经济和商品指标相结合，该框架证明了文本背景和数值基本面是互补的。

未引用内容

表2

数据和材料的可用性

本研究使用的所有数据均来自公开数据集或已有描述。

资助

本研究由台湾国家科学技术委员会（NSTC113-2221-E-002-175-MY3）资助。

CRediT作者贡献声明

陈彦文：研究调查、方法论设计、项目管理、软件开发、验证、可视化、写作——审稿与编辑。Welbey Prasadirta：数据整理、形式分析、方法论设计、软件开发、可视化、写作——初稿撰写。李佳燕：概念构思、资金获取、方法论设计、资源协调、监督、写作——审稿与编辑。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益和个人关系：

李佳燕报告称其研究得到了台湾国家科学技术委员会的财政支持。如果还有其他作者，他们声明没有已知的可能影响本文研究的财务利益或个人关系。