Transformer模型在跨市场信息传播研究中的应用.docxVIP

Transformer模型在跨市场信息传播研究中的应用

一、引言

（一）跨市场信息传播研究的现实意义与传统局限

在全球化进程不断深化的背景下，跨市场信息传播已成为影响各类市场运行的核心因素之一。无论是金融市场中跨国资产价格的联动、社交媒体中舆情的跨区域扩散，还是商品市场中供需信息的跨境传导，都体现了信息在不同市场间流动、交互并产生连锁反应的规律。对跨市场信息传播的深入研究，不仅能帮助市场参与者识别风险传导路径、制定合理的投资策略，也能为监管部门提供防控系统性风险的决策依据（陈雨露，2019）。

然而，传统的跨市场信息传播研究方法存在诸多局限。例如，向量自回归模型（VAR）虽能捕捉线性的市场联动关系，但难以处理复杂的非线性关联与长时序信息依赖；循环神经网络（RNN）及其变体LSTM虽然具备时序处理能力，但在处理长序列数据时容易出现梯度消失问题，无法有效捕捉多市场间的长距离信息传导（李迅雷，2020）。此外，传统方法大多聚焦于单一类型数据的分析，难以整合文本、数值、舆情等多源异质信息，这使得研究结果的全面性与准确性受到限制。

（二）Transformer模型介入跨市场信息传播研究的价值

正是在这样的背景下，Transformer模型凭借其独特的架构设计，为跨市场信息传播研究提供了新的技术路径。Transformer模型由谷歌团队于某年提出，核心创新在于引入了自注意力机制，能够在不依赖循