본 논문은 거시경제 이벤트의 영향을 정확하게 예측하는 것이 투자자와 정책 입안자에게 매우 중요하다는 점을 강조하며, 기존의 텍스트 분석이나 시계열 모델링 중심의 예측 방법의 한계를 지적합니다. 기존 방법들은 금융 시장의 다양한 모드와 이벤트와 가격 변동 간의 인과 관계를 제대로 포착하지 못한다는 문제점을 가지고 있습니다. 이를 해결하기 위해, 본 논문은 텍스트와 시계열 데이터를 인과 학습 메커니즘과 LLM 기반 반사실적 이벤트 증강 기법과 통합하는 다중 모드 프레임워크인 CAMEF(Causal-Augmented Multi-Modality Event-Driven Financial Forecasting)를 제안합니다. CAMEF는 정책 텍스트와 과거 가격 데이터 간의 인과 관계를 포착하고, 2008년부터 2024년 4월까지의 6가지 거시경제 지표 발표와 5가지 주요 미국 금융 자산의 고빈도 실거래 데이터로 구성된 새로운 금융 데이터 세트를 활용합니다. LLM 기반의 반사실적 이벤트 증강 전략을 통해 예측 성능을 향상시키며, 최첨단 트랜스포머 기반 시계열 및 다중 모드 기준 모델과 비교 분석 및 ablation study를 통해 인과 학습 메커니즘과 이벤트 유형의 효과를 검증합니다.
