從長篇新聞到準確預測：時間序列預測的重要性感知融合與PRM引導反思

研究論文提出，將新聞融入時間序列預測具有吸引力，因為新聞能揭示突發的外生事件，這些事件僅靠歷史數據無法捕捉。然而，現有的基於大型語言模型（LLM）的新聞預測流程面臨兩大實際限制：相關新聞文章往往超出模型的上下文窗口，且迭代檢索補充新聞通常缺乏引導，導致冗餘更新和收斂緩慢。為解決這些問題，論文提出一個新框架，結合重要性感知新聞壓縮和過程級檢索監督。首先，訓練一個重要性獎勵模型，評估每篇文章的預測效用，並使用此信號在序列成對融合中分配壓縮預算，在固定上下文限制內保留信息內容。其次，引入過程獎勵模型（PRM），根據當前錯誤概況和先前選擇文章的歷史，對多個補充新聞候選進行排序，以質量控制的選擇取代一次性盲目檢索。這兩個組件均使用帶有真實標籤的離線數據訓練；推理時使用凍結的過濾邏輯和壓縮模塊，無需任何反思循環。在金融、能源、交通和比特幣預測基準上的實驗表明，該方法相對於強基線提高了預測準確性，與迭代基線相比顯著減少了細化迭代次數，並且在相關文章跨越數千個標記時仍然有效。