[论文解读] FinAnchor: Aligned Multi-Model Representations for Financial Prediction

Zirui He, Hanyu Zhang+3 more|arXiv (Cornell University)|Feb 24, 2026

Stock Market Forecasting Methods被引用 0

一句话总结

FinAnchor 将来自多个冻结 LLM 的嵌入对齐到一个通用锚空间，通过线性映射聚合，并训练一个轻量级读出，在不微调基础模型的前提下，提升对长篇文档的金融预测能力。

ABSTRACT

Financial prediction from long documents involves significant challenges, as actionable signals are often sparse and obscured by noise, and the optimal LLM for generating embeddings varies across tasks and time periods. In this paper, we propose FinAnchor(Financial Anchored Representations), a lightweight framework that integrates embeddings from multiple LLMs without fine-tuning the underlying models. FinAnchor addresses the incompatibility of feature spaces by selecting an anchor embedding space and learning linear mappings to align representations from other models into this anchor. These aligned features are then aggregated to form a unified representation for downstream prediction. Across multiple financial NLP tasks, FinAnchor consistently outperforms strong single-model baselines and standard ensemble methods, demonstrating the effectiveness of anchoring heterogeneous representations for robust financial prediction.

研究动机与目标

• 在稀疏可操作信号和模型偏差存在的情况下，推动对长篇文档的鲁棒金融预测。
• 提出一个轻量级的多编码器对齐框架，避免对基模型进行微调。
• 证明对异质表示进行对齐能得到一个统一且有效的下游预测器。
• 提供可解释性分析，理解在何时、为何对齐能提升性能。

提出的方法

• 选择一个锚 LL M 嵌入空间，并学习将其他编码器映射到该锚空间的线性岭回归。
• 对特征进行标准化，并仅使用训练数据拟合岭回归映射（无截距）。
• 在锚空间聚合对齐后的表示（如对编码器取均值）。
• 在聚合的锚表示之上训练一个轻量级下游读出（MLP）。
• 在多个金融 NLP 任务上进行时间切分的评估，以评估时效性之外的表现。

Figure 1: (a) Three different LLM independently predict next-day stock movement from the same earnings call transcript: Models A and B predict negative return, while Model C predicts positive return. Highlighted phrases denote text snippets deemed salient by each model. In this case, Model A and B e

实验结果

研究问题

• RQ1 FinAnchor 能否在多样化金融文本任务中超越单编码器基线和简单集成的预测性能？
• RQ2 对齐的多模型表示是否提供系统性、而非随机的提升，能通过错误模式和置信度变化得到证据？
• RQ3 该框架是否可解释，揭示来自不同模型的哪些证据驱动了预测？

主要发现

• FinAnchor 在五个数据集上实现总体最佳性能，超越最强单模型基线。
• 对齐在减少误报方面的效果优于误报，表明在预测中实现了更好的风险控制。
• 基模型之间的误差重叠并非偏离为零的随机现象，而是可通过对齐进行纠正。
• 对齐在正确纠错的案例上带来方向性正向的置信度变化。
• 源到锚的线性对齐质量（R^2）较高，表明不同编码器空间之间存在可兼容的几何结构。
• 案例研究显示证据重新加权放大了与地面实况一致的金融信号。

Figure 2: Decision transitions after alignment on Stock Movement Prediction task. Counts of label transitions from Gemma to the FinAnchor under validation-chosen thresholds. The FinAnchor corrects a substantial number of false positives (FP $\rightarrow$ TN), while also introducing smaller regressio