本研究解决了EUR/USD汇率预测准确性的不足，提出了一种新颖的框架IUS，将来自新闻和分析的非结构化文本数据与汇率和金融指标的结构化数据相结合，以提高预测精度。实验结果表明，该方法在均方误差和根均方误差方面的表现优于基准模型，证明了数据融合的有效性和该模型的潜在影响。

该文综述金融波动率与风险预测研究：混合深度学习与GARCH模型提升点波动率预测，Temporal Fusion Transformer优于传统方法；格兰杰因果与PageRank分析表明汇率市场信息传播非瞬时，违背有效市场假说；高斯过程、GARCH-NN及深度生成模型（如CWGAN）用于风险建模，其中HS、GARCH和CWGAN表现最佳；LSTM在中国部门数据预测中效果最优。