TIEM：用于事件驱动金融预测的超图证据与技能记忆的时间整合框架
TIEM: Temporal Integration of Hypergraph Evidence and Skill Memory for Event-Driven Financial Forecasting
浏览论文内容
中文总结 AI 辅助
该研究针对事件驱动金融预测中大型语言模型智能体存在的证据鸿沟问题，提出带时间戳门控的TIEM框架，引入FinPURE基准，经多组金融基准验证其性能优于现有基线。
中文摘要 AI 辅助
事件驱动的催化剂-结果预测越来越多地使用基于检索和记忆增强的大型语言模型智能体进行预测，但训练数据污染和时间泄漏会在报告的准确率与真实预测能力之间形成证据鸿沟。我们提出TIEM，一种带时间戳门控的框架，包含三个协同组件：用于时间戳过滤的多层检索的事件证据超图（EEH）、用于带源标记的时间技能的基于案例的技能记忆（CSM）、用于证据-经验融合与预测的异构证据-经验融合推理（HEFR）。我们还引入了近期A股预留基准FinPURE，并使用名称-日期探针评估每个模型的名称-日期敏感性，而非假设训练截止点。在五个金融预测基准上的结果显示，TIEM优于当前基线。我们的项目可在该https URL获取。
英文摘要
Event-driven catalyst-outcome forecasting increasingly uses retrieval- and memory-augmented large language model agents for prediction. However, training-data contamination and temporal leakage can create an Evidence Chasm between reported accuracy and true predictive ability. We propose TIEM, a timestamp-gated framework with three coordinated components: an Event-Evidence Hypergraph (EEH) for timestamp-filtered multi-tier retrieval; a Case-based Skill Memory (CSM) for source-tagged temporal skills; and Heterogeneous Evidence-Experience Fusion Reasoning (HEFR) for evidence-experience fusion and prediction. We also introduce FinPURE, a recent-period A-share holdout benchmark, and use a Name-Date Probe to assess per-model name-date sensitivity rather than assuming training cutoffs. Results on five financial forecasting benchmarks show TIEM outperforms current baselines. Our project is available at https://github.com/QwenQKing/Fin_TIEM.
发表机构
- Nanyang Technological University（南洋理工大学）
- Hithink Research（航讯研究）
- National University of Singapore（新加坡国立大学）
- University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
- Shanghai Jiao Tong University（上海交通大学）
机构由 AI 辅助整理，请以论文原文为准。
