यह पत्र निवेशकों और नीति निर्माताओं के लिए समष्टि आर्थिक घटनाओं के प्रभाव का सटीक पूर्वानुमान लगाने के महत्वपूर्ण महत्व पर ज़ोर देता है, और पाठ विश्लेषण या समय श्रृंखला मॉडलिंग पर आधारित मौजूदा पूर्वानुमान विधियों की सीमाओं की ओर इशारा करता है। ये विधियाँ वित्तीय बाज़ारों के विविध स्वरूपों और घटनाओं व मूल्य उतार-चढ़ाव के बीच कारणात्मक संबंधों को पर्याप्त रूप से समझने में विफल रही हैं। इस समस्या का समाधान करने के लिए, यह पत्र कारण-संवर्धित बहु-विधता घटना-संचालित वित्तीय पूर्वानुमान (CAMEF) का प्रस्ताव करता है, जो एक बहु-विधा ढाँचा है जो पाठ और समय श्रृंखला डेटा को एक कारणात्मक अधिगम तंत्र और एक LLM-आधारित प्रतितथ्यात्मक घटना संवर्द्धन तकनीक के साथ एकीकृत करता है। CAMEF नीति पाठ और ऐतिहासिक मूल्य डेटा के बीच कारण संबंध को पकड़ता है और 2008 से अप्रैल 2024 तक पांच प्रमुख अमेरिकी वित्तीय परिसंपत्तियों के लिए छह मैक्रोइकॉनॉमिक संकेतक घोषणाओं और उच्च आवृत्ति वाले वास्तविक समय के ट्रेडिंग डेटा से युक्त एक नए वित्तीय डेटासेट का उपयोग करता है। हम एलएलएम-आधारित काउंटरफैक्टुअल इवेंट संवर्द्धन रणनीति के माध्यम से पूर्वानुमान प्रदर्शन में सुधार करते हैं, और अत्याधुनिक ट्रांसफॉर्मर-आधारित समय श्रृंखला और मल्टीमॉडल बेसलाइन मॉडल के साथ तुलनात्मक विश्लेषण और पृथक्करण अध्ययन के माध्यम से कारण सीखने के तंत्र और घटना प्रकारों की प्रभावशीलता को सत्यापित करते हैं।
