标签
论文提出 MM-FinEval，一个针对真实世界金融预测的多任务多模态基准，涵盖2019-2022年S&P 500公司的2,045次财报电话会议，包含文本转录、演示幻灯片和音频三种模态，并设有12项金融任务标签，用于评估19个多模态基线模型。
DualCast 是一个双路径 LLM 框架，它在冻结的 Qwen3-8B 骨干模型基础上扩展了离散金融词表，用于双模态金融时间序列预测，将快速数值路径与基于新闻条件的慢速修正路径相结合，后者通过组相对策略优化（group relative policy optimization）进行训练。
本文介绍了HARN，一个用于金融时间序列事件驱动多时间框架预测的分层关联共振网络，通过多个资产的评估，显示出与基线相比具有竞争力的结果。
本文介绍了ProForma-20Q，一个用于预测未来1至20个季度78个财务报表行项目的基准，以及Forma，一个基于Transformer的模型，它超越了通用方法，尤其是在长期预测中，并具有接近会计恒等式的一致性。
本文提出了一种用于并购套利的语言模型预测系统，该系统结合了专家引导的上下文工程和对历史交易的精调，在覆盖42个国家400多笔大型交易中取得了最先进的性能。
本文研究了不同的推理时部署规则（展开策略）如何影响多期限波动率预测。结果表明，非默认的展开策略通常能提升性能，且基于验证的部署策略相比标准MIMO部署提供了低成本改进，强调了部署策略与模型架构同等重要。
MOSAIC 提出了一种用于自动化数据科学的结构化代理框架，该框架基于记忆驱动的模型选择和工作流构建，并在金融时间序列任务上得到验证。其性能优于 AutoML 及其他基于代理的基准方法。
提出了一种基于双层混沌融合的图卷积网络用于股市预测区间，在2016-2026年NSE数据上，相比基线模型，在Winkler分数、PIAW和PICP指标上取得了显著改进。
OpenAI 数据科学团队利用 ChatGPT 和内部无代码平台 Sites，构建了交互式财务预测应用，简化了月度预测流程并支持按账户动态调整，显著提升了效率。