1. 緒論
準確預測歐元/美元匯率是全球金融領域的一項關鍵挑戰，影響著國際貿易、投資與經濟政策。傳統的計量經濟模型與近期的機器學習方法主要依賴結構化的量化數據（例如歷史價格、經濟指標），往往忽略了來自新聞與財經報告中豐富的非結構化質性資訊，而這些資訊正是驅動市場情緒的關鍵。本研究透過提出一種新穎的混合框架來彌合此一差距，該框架整合了先進的文字探勘技術與由粒子群演算法優化的深度學習模型。其核心創新在於使用RoBERTa-Large語言模型進行細膩的情感分析，並使用潛在狄利克雷分配進行主題建模，從文字資料中提取可操作的特徵，然後將其輸入到一個由PSO微調超參數的長短期記憶網路中。與ARIMA、GARCH、SVM和SVR等基準模型相比，所提出的PSO-LSTM模型展現了卓越的預測性能，驗證了在金融時間序列預測中納入文字分析的顯著價值。
2. 方法論
本方法論是一個多階段的流程，旨在融合量化價格數據與從文字中提取的質性洞見。
2.1 資料收集與預處理
資料集包含兩個來源：1) 量化數據： 歐元/美元歷史日匯率。2) 質性數據： 與歐元區及美國經濟相關的同期線上財經新聞文章與市場分析報告語料庫。文字資料經過標準的自然語言處理預處理：分詞、移除停用詞與詞形還原。
2.2 文字探勘框架
文字資料透過兩種互補的技術轉化為數值特徵。
2.2.1 使用RoBERTa-Large進行情感分析
本研究並未使用基於詞典的方法，而是採用了RoBERTa-Large，這是一種經過穩健優化的BERT預訓練方法。這個基於Transformer的模型在一個金融情感資料集上進行微調，將每篇新聞文章的情感分類為不同類別（例如：正面、負面、中性），並輸出一個連續的情感分數。這提供了市場情緒的高維度、上下文感知表示。像RoBERTa這樣的Transformer模型在捕捉金融語言細微差別方面優於舊方法，這在艾倫人工智慧研究所等機構的文獻中已有充分記載。
2.2.2 使用LDA進行主題建模
潛在狄利克雷分配被應用於發掘新聞語料庫中的潛在主題結構。它能識別出普遍的主題（例如：「歐洲央行貨幣政策」、「美國通膨報告」、「歐洲地緣政治風險」），並將每份文件表示為這些主題的機率分佈。每日的主導主題機率可作為額外特徵，讓模型了解當時主流的經濟敘事。
2.3 PSO優化LSTM模型
核心的預測引擎是一個LSTM網路，因其能夠對序列資料中的長期依賴關係進行建模而被選用。每個時間步的最終特徵向量是滯後歐元/美元報酬率、波動率指標、情感分數和主題分佈機率的串聯。一個關鍵挑戰在於選擇最佳的LSTM超參數（例如：層數、隱藏單元數、學習率）。本研究採用粒子群演算法，一種受生物啟發的元啟發式演算法，來自動化此搜尋過程。PSO透過模擬鳥群覓食的社會行為，在高效能地探索高維度的超參數空間，並收斂到一個能在驗證集上最小化預測誤差（例如：均方誤差）的配置。
模型性能（範例指標）
PSO-LSTM RMSE: 0.0052
文字資料影響
相較於純價格模型的性能提升：~18%
關鍵特徵
情感 + 主題 + 價格 + 波動率
3. 實驗結果與分析
3.1 基準模型比較
所提出的PSO-LSTM模型使用均方根誤差和平均絕對誤差等標準指標，與一系列基準模型進行了比較評估。基準模型包括：
- 傳統計量經濟模型： ARIMA, GARCH
- 機器學習模型： 支援向量機, 支援向量迴歸
- 基準LSTM： 一個未經PSO優化且不包含文字特徵的標準LSTM。
結果： PSO-LSTM模型始終優於所有基準模型。例如，其RMSE顯著低於ARIMA和SVR，展示了整合深度學習、文字探勘與超參數優化的優勢。納入文字特徵相較於僅使用價格的基準LSTM提供了明顯的優勢。
3.2 消融研究
進行了一項消融研究，以隔離每個文字資料組件的貢獻。測試了不同的模型變體：
- 模型A：僅使用價格/波動率資料的LSTM。
- 模型B：模型A + 情感特徵。
- 模型C：模型A + 主題特徵。
- 模型D（完整模型）：模型A + 情感特徵 + 主題特徵。
發現： 情感特徵和主題特徵各自都能在基礎模型之上提升預測準確度。然而，完整模型（D）取得了最佳性能，這表明情感資訊和主題資訊是互補的。情感分數捕捉了即時的市場情緒波動，而主題分佈則提供了關於潛在經濟驅動因素的背景脈絡，提供了更全面的視角。
4. 技術細節與數學公式
LSTM單元更新方程式：
LSTM的核心涉及：
$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$ （遺忘門）
$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$ （輸入門）
$\tilde{C}_t = \tanh(W_C \cdot [h_{t-1}, x_t] + b_C)$ （候選細胞狀態）
$C_t = f_t * C_{t-1} + i_t * \tilde{C}_t$ （細胞狀態更新）
$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$ （輸出門）
$h_t = o_t * \tanh(C_t)$ （隱藏狀態輸出）
其中 $x_t$ 是時間 $t$ 的輸入特徵向量（包含文字與量化資料），$h_t$ 是隱藏狀態，$C_t$ 是細胞狀態，$\sigma$ 是Sigmoid函數，$W, b$ 是可學習參數。
PSO更新規則：
對於迭代 $k$ 時的每個粒子 $i$（代表一組超參數）：
$v_i^{k+1} = \omega v_i^k + c_1 r_1 (pbest_i - x_i^k) + c_2 r_2 (gbest - x_i^k)$
$x_i^{k+1} = x_i^k + v_i^{k+1}$
其中 $v$ 是速度，$x$ 是位置，$\omega$ 是慣性權重，$c_1, c_2$ 是加速係數，$r_1, r_2$ 是隨機數，$pbest$ 是粒子的最佳位置，$gbest$ 是群體的全局最佳位置。目標是最小化LSTM的驗證損失 $L(x_i)$。
5. 分析框架：一個非程式碼案例範例
情境： 預測下一個交易日（T+1日）的歐元/美元走勢。
- 資料輸入（T日）：
- 量化資料： 歐元/美元收盤於1.0850。10日波動率為0.6%。
- 文字資料： 發布了50篇主要財經新聞文章。
- 文字處理：
- 情感分析（RoBERTa-Large）： 分析所有50篇文章。聚合情感分數 = -0.65（表示市場情緒中度負面）。
- 主題建模（LDA）： 識別出主要主題：「歐洲央行鴿派訊號」（機率：0.4）、「美國強勁就業數據」（0.35）、「其他」（0.25）。
- 特徵向量建構： T日的模型輸入變為：[滯後報酬率_1, 滯後報酬率_2, ..., 波動率, 情感分數, 主題機率_1, 主題機率_2, ...]。
- 模型推論（PSO-LSTM）： 訓練好的PSO-LSTM網路透過其一系列閘門處理此特徵向量。
- 輸出與決策： 模型輸出對T+1日的預測報酬率（例如：-0.3%）。交易分析師可能會將其解讀為輕微的下行壓力，並由負面情感和鴿派歐洲央行主題所佐證，從而相應地調整避險策略。
6. 未來應用與研究方向
- 即時預測系統： 部署該流程用於日內或高頻預測，使用串流新聞API和社群媒體資料（例如：Twitter/X）。
- 多資產與跨市場分析： 將框架擴展至預測相關資產（例如：其他貨幣對、股票指數），並建模情緒在市場間的溢出效應。
- 整合替代性數據： 納入央行演講稿、財報電話會議音訊情感（使用Whisper等音訊模型）、用於經濟活動的衛星影像，以及用於加密貨幣-法幣對的區塊鏈交易流。
- 探索先進架構： 使用基於Transformer的模型（例如：時序融合Transformer）或圖神經網路來取代或增強LSTM，以建模市場間的關係。
- 可解釋人工智慧： 採用SHAP或LIME等技術來解釋哪些特徵（例如：特定新聞主題或情感峰值）對特定預測影響最大，這對於監管和建立信任至關重要。
7. 參考文獻
- Liu, Y., et al. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv preprint arXiv:1907.11692.
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.
- Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780.
- Kennedy, J., & Eberhart, R. (1995). Particle Swarm Optimization. Proceedings of ICNN'95 - International Conference on Neural Networks.
- Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654–669.
- Allen Institute for AI. (2023). Research on NLP for Financial Applications. Retrieved from [https://allenai.org]
8. 專家分析：核心洞見、邏輯流程、優缺點、可行建議
核心洞見： 這篇論文不僅僅是另一個「AI應用於金融」的專案；它是一份關於將非結構化資料操作化的實用藍圖。真正的突破在於將新聞視為結構化、可量化的超額報酬訊號，而非雜訊。透過利用RoBERTa-Large——一個其上下文理解能力受到艾倫人工智慧研究所等領導者評測的模型——他們超越了簡單的情感詞典，捕捉到驅動宏觀市場的細膩且常常矛盾的敘事。將此與LDA衍生的主題相融合是巧妙的；這就像是知道市場是「負面」的，與知道市場之所以負面具體是因為歐洲央行的鴿派立場還是美國的財政擔憂之間的區別。
邏輯流程： 整體架構邏輯嚴謹且具備生產就緒性。它遵循一個清晰的ETL流程：擷取文字與價格資料，將文字轉化為情感/主題向量，將所有資料載入一個時序模型（LSTM），其參數透過智慧搜尋（PSO）確定。消融研究尤其具有說服力——它不僅聲稱文字有幫助，更展示了每個部分貢獻了多少，證明了情感（情緒）與主題（敘事）的互補性。
優點與缺點：
優點： 1) 方法論嚴謹性： 結合最先進的自然語言處理技術、經過驗證的時序模型與元啟發式優化演算法，架構穩健。2) 實證驗證： 擊敗傳統計量經濟模型是預期之中，但優於其他機器學習基準模型則鞏固了深度學習的優勢。3) 可解釋性層面： 使用LDA提供了對模型驅動因素一定程度的人類可理解洞見。
缺點與不足： 1) 延遲性與因果關係： 論文很可能使用日終新聞。在實際交易中，新聞發布相對於價格變動的時機至關重要——這是一個未完全解決的因果關係難題。2) 資料來源偏差： 未具體說明「線上新聞」語料庫的來源。使用路透社/彭博社的資料與使用社群媒體的資料，結果可能差異巨大。3) 過度工程化風險： PSO-LSTM組合計算量龐大。對於即時部署，相較於一個經過良好調校、具有相同特徵的簡單模型，其邊際收益需要更清晰的成本效益分析。
可行建議： 對於量化分析師與資產經理人：
- 優先建立資料流程： 最重要的啟示是投資於穩健、即時的自然語言處理資料擷取與清理基礎設施。模型的好壞取決於其文字輸入的品質。
- 從混合模型開始，而非純AI： 將此模型作為基本面與技術分析的補充。其訊號應是決策框架中的眾多輸入之一。
- 注重可解釋性以促進採用： 為了讓持懷疑態度的投資組合經理接受，應建立不僅顯示預測結果，同時也顯示驅動預測的關鍵新聞片段與主題的儀表板（利用LDA輸出）。
- 下一步實驗： 在高波動性、新聞驅動的事件期間（例如：央行會議、地緣政治衝擊）與平靜時期，測試該框架的優勢。其真正價值很可能在於前者。