这篇论文提出了一种名为CausalStock的模型，用于预测受新闻影响的多只股票价格走势，核心内容如下： 1. 研究背景：在预测多只股票价格走势时，现有方法存在两个问题。一是股票关系常为单向，以往基于相关性的关系建模不合适，因果关系更能准确反映股票间影响；二是新闻数据噪声大，传统文本挖掘模块难以提取有效信息。 2. 创新点 - 因果关系发现：设计了与时间滞后相关的因果发现模块，能根据时间滞后直观地建立股票间的因果关系，比以往不考虑时间滞后的方法更适合股票数据。 - 新闻信息提取：提出基于大语言模型（LLM）的去噪新闻编码器。它能从多个角度给新闻文本打分，有效去除噪声，提取有用信息，丰富新闻表示形式。 - 整体模型：CausalStock模型由市场信息编码器、滞后相关的时间因果发现模块和功能因果模型组成。市场信息编码器处理新闻和价格数据；因果发现模块挖掘股票间因果关系；功能因果模型根据因果关系预测股票价格走势。 3. 实验结果：在6个真实世界数据集上进行实验，涵盖美国、中国、日本和英国市场。CausalStock在预测准确率方面优于其他对比模型，无论是有新闻数据的多股票走势预测任务，还是无新闻数据的任务都表现出色。通过消融实验表明，模型各个组件都对性能有贡献。并且该模型可解释性强，能清晰展示新闻对股价的影响以及股票间因果关系。在投资模拟中，CausalStock也展现出良好的风险收益平衡能力。 4. 未来方向：未来可以采用元学习或增量学习方法迭代更新因果图，探索时变因果关系。同时，当前用伯努利分布判断因果关系存在局限性，后续可尝试更复杂分布来深入研究因果关系的多层次特性。

CausalStock: Deep End-to-end Causal Discovery for News-driven Stock Movement Prediction