通过预测公司基本面来改进基于因子的量化投资
构建自动系统 FinReport，基于财经新闻公告和多因子模型，用于帮助普通投资者收集信息、分析，并生成报告；包括新闻因子化模块、回报预测模块和风险评估模块，通过真实数据集的广泛实验，验证了其有效性和可解释性。
Mar, 2024
该论文研究了回归模型（OLS 线性回归、Ridge 回归、随机森林和全连接神经网络）在 CMA（保守与激进）因子溢价预测和因子择时投资方面的表现。外样本 R 方显示更灵活的模型在解释未知时期因子溢价的方差方面具有更好的性能，回测证实基于更灵活模型的因子择时倾向于超过线性模型。然而，对于神经网络等灵活模型，其预测基于的最优权重往往不稳定，这可能导致高交易成本和市场影响。我们验证了根据历史最优再平衡方案将再平衡频率降低可以有助于减少交易成本。
Apr, 2024
该研究提出了一种增强型的 Transformer 架构，设计了一种基于该模型的新型因子。通过从情感分析进行迁移学习，该模型不仅利用其原有的长期依赖性和复杂数据关系建模的优势，而且能够解决带有数字输入的任务并准确预测未来一段时间的回报。该研究的结果表明，相比其他 100 种基于因子的量化策略，该模型在预测股票趋势方面表现出优越性能，且换手率较低，半衰期更加稳健。值得注意的是，该模型通过与市场情绪信息结合，创新地应用了 Transformer 来建立因子，从而显著提高了交易信号的准确性，为未来量化交易策略提供了有希望的启示。
Mar, 2024
提供新的金融和宏观经济比率以及监督学习模型（ML 回归器和神经网络）和贝叶斯模型预测公司绩效，并发现这些新的变量与行业标准比率结合使用可以提高模型准确性。Feedforward 神经网络（FNN）在 6 个预测任务中（ROA、ROE、净利润率、经营利润率、现金比率和经营现金生成）中实施更简单且表现最好，并且贝叶斯网络（BN）在特定条件下可以胜过 FNN，并且 BN 还能提供概率密度函数以及预测的价值。该研究对于 CFO 和 CEO 评估财务不佳的风险以引导公司朝更有利可图的方向发展，支持债权人更好评估公司情况，并为投资者提供更准确地分析上市公司财务报表的工具具有重要的潜力。
Sep, 2023
通过使用大型语言模型（LLMFactor）和顺序知识引导提示（SKGP）方法，本研究针对金融部门的时间序列数据提出了一个新的框架，用于识别影响股票走势的因素，并通过历史股价预测股票的运动，与现有方法相比，该框架在金融时间序列预测方面表现出更好的性能。
Jun, 2024
我们提出了一种新颖的框架，旨在从订单流数据中有效提取关键因素，以应对高频量化投资面临的挑战，并在各个层面和场景下应用于下游任务。通过使用上下文编码器和因素提取器，我们的方法能够快速且高效地提取超越现有基于 tick 级数据的方法的优秀因素，从而在股票趋势预测和订单执行任务中实现显著的改进。
Aug, 2023
本研究将机器学习应用于金融领域，尤其是股票市场预测。研究通过合作数字股票数据和定性文本数据，提供了一个包含来自新闻档案、电视新闻字幕、广播节目文字转录、推特、日常金融报纸等的 140 多万条文本数据的数据集，该数据集可用于股票市场预测的全球研究中。
Nov, 2023
本文主要介绍了如何利用多种数据挖掘技术和深度学习应用于金融文本处理场景，并且展示了如何使用自然语言处理（NLP）和知识图谱（KG）技术来从异构数据中识别金融风险和机会。
Apr, 2022