计算机应用

作者：魏涵玥, 郭晨娟, 梅杰源, 田锦东, 陈鹏, 徐榕荟, 杨彬

单位：华东师范大学 数据科学与工程学院，上海 200062

关键词：金融时间序列,多模态,混合专家模型,预训练模型,时频分析

基金：国家自然科学基金资助项目(62372179)

现有股票预测模型多基于单一模态，忽视了行业间的联动效应与信息异质性；部分研究虽引入了文本模态，但在处理模态异构所导致的时滞性和多粒度等问题上仍存在不足。因此，提出面向股票市场的融合时频特征与混合文本的多模态股票预测框架MATCH（Multimodal stock prediction frAmework inTegrating time-frequenCy features and Hybrid text）。一方面，设计混合专家（MoE）预训练策略为每个行业构建特定的预训练表征模型，在预测过程中动态选择匹配的专家网络，并注入行业特征信息；另一方面，设计频域分解与层次化融合机制，通过双流预训练架构获取高频未来波动和低频未来趋势的表征，把它们与不同时间尺度的文本信息进行跨模态交互，更精准地捕捉市场动态变化，并实现多粒度场景下的时序与文本有效交互。在2个真实股票数据集S&P 500和CMIN-US上，MATCH与ESTIMATE（Efficient STock Integration with teMporal generative filters and wavelet hypergraph ATtEntions）和PatchTST等主流方法进行对比的实验结果显示，在S&P 500数据集上相较次优基线模型Adv-ALSTM，MATCH的夏普比率（SR）提升了50.5%；在更具有挑战性的CMIN-US数据集上，MATCH的SR提升了2.35%，其余指标均取得了最佳成绩。MATCH预测性能提升明显可为金融多模态数据融合提供新颖且高效的解决方案。

来源：2026年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第2期