En este artículo, proponemos un nuevo marco, IUS, que integra datos textuales no estructurados (noticias y análisis) y datos estructurados, como tipos de cambio e indicadores financieros, para la predicción del tipo de cambio EUR/USD. IUS utiliza un modelo de lenguaje a gran escala para clasificar las puntuaciones de polaridad de sentimiento y las fluctuaciones del tipo de cambio en textos, y combina estas características textuales con características cuantitativas para generar un generador de características basado en relaciones causales. Predecimos el tipo de cambio EUR/USD utilizando un modelo Bi-LSTM optimizado, y los resultados experimentales muestran que mejora el MAE en un 10,69 % y el RMSE en un 9,56 % en comparación con los modelos existentes. En particular, la combinación de datos no estructurados y estructurados logra una mayor precisión que el uso exclusivo de datos estructurados, y la combinación de las 12 características cuantitativas más importantes y las características textuales resulta ser la más efectiva.
