본 논문은 복잡한 시간 종속성, 이질적인 양상, 그리고 동적으로 변화하는 주식 간 관계 때문에 근본적으로 어려운 주가 예측 문제를 해결하기 위해 H3M-SSMoEs라는 새로운 아키텍처를 제시합니다. 이 아키텍처는 세 가지 핵심 혁신을 통합합니다: (1) Local Context Hypergraph (LCH)와 Global Context Hypergraph (GCH)를 사용하여 세밀한 시공간적 동역학을 포착하는 Multi-Context Multimodal Hypergraph, (2) 정량적 및 텍스트 양상을 의미적으로 융합하고 정렬하기 위해 사전 학습된 대규모 언어 모델을 활용하는 LLM 기반 추론 모듈, (3) 희소 활성화 하에서 regime-aware 특화를 가능하게 하는 Style-Structured Mixture of Experts (SSMoEs). 세 개의 주요 주식 시장에 대한 광범위한 실험을 통해 H3M-SSMoEs는 예측 정확도 및 투자 성과 면에서 최첨단 방법을 능가하며 효과적인 위험 관리를 보여줍니다.
