Multimodal Stock Price Prediction: A Case Study of the Russian Securities Market

2025-03-05

Program systems theory and applications

AI Summary

This study addresses the challenge of stock price forecasting in the Russian equity market by proposing a multimodal approach that jointly models candlestick time-series data and Russian-language financial news texts. To capture news semantics in the Russian financial domain, we systematically integrate RuBERT and Vikhr-Qwen2.5-0.5b-Instruct—constituting the first such deployment—and couple them with an LSTM for price sequence modeling; cross-modal synergy is achieved via feature concatenation and learnable weighted fusion. Experimental results demonstrate that incorporating news modality reduces MAPE by 55% and improves directional prediction accuracy. Furthermore, we release the first open-source multimodal benchmark dataset for Russian finance, comprising candlestick sequences of 176 Russian-listed stocks and 79,000 manually annotated Russian financial news articles—filling a critical gap in multilingual financial multimodal resources.

Technology Category

• Natural Language Processing: Language Grounding & Multi-modal NLP
• Machine Learning: Multimodal Learning
• Intelligent Robots: Multimodal Perception & Sensor Fusion

Application Category

• Search and Retrieval-Augmented AI: Retrieval-Augmented Generation (RAG) and multi-modal RAG
• Web Mining and Content Analysis: Mining multimedia, multimodal, multilingual, cross-lingual Web data
• Economics, Online Markets and Human Computation: Data quality aspects of human-annotated datasets

Abstract

Классические методы прогнозирования цен активов в основном опираются на числовые данные, такие как временные ряды цен, объемы торгов, распределение лимитированных ордеров и индикаторы технического анализа. Однако новостной фон играет существенную роль в формировании цен, что делает актуальным развитие мультимодальных подходов, объединяющих текстовые и числовые данные для повышения точности предсказаний. В данной работе решается задача прогнозирования цен финансовых активов с использованием мультимодального подхода, объединяющего временные ряды цен и текстовую модальность новостного потока. Для исследований был собран уникальный набор данных, включающий временные ряды для 176 акций российских компаний, торгуемых на Московской бирже, и 79555 русскоязычных финансовых новостей. Для обработки текстовых данных использовались предобученные модели RuBERT и Vikhr-Qwen2.5-0.5b-Instruct (большая языковая модель), временные ряды и векторизованная текстовая модальность обрабатывались рекуррентной нейронной сетью LSTM. В ходе экспериментов сравнивались модели с одной модальностью и двумя модальностями, а также различные методы агрегации векторных представлений текстов. Качество прогнозов оценивалось по двум ключевым метрикам: точности (accuracy) предсказания направления изменения цены (рост/снижение) и средней абсолютной процентной ошибке (MAPE) отклонения предсказанной цены от истинной. Эксперименты показали, что добавление текстовой модальности позволяет уменьшить значение MAPE на 55%. Полученный мультимодальный набор данных представляет ценность для дальнейшей адаптации языковых моделей в финансовой сфере. Перспективные направления исследований включают оптимизацию параметров текстовой модальности, таких как временное окно, тональность и хронологический порядок новостных сообщений.

Problem

• Forecasting stock prices using multimodal data integration.
• Improving prediction accuracy by combining numerical and textual data.
• Evaluating models with accuracy and MAPE metrics for performance.

Innovation

• Combines candlestick time series with news data
• Uses RuBERT and Vikhr-Qwen2.5-0.5b-Instruct models
• Employs LSTM for processing time series and text