利用时间路由适配器和最优传输学习多种股票交易模式
本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架，研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。
Apr, 2020
本文提出了多任务混合专家 (MoE) 框架 AlphaMix，重塑了定量投资为多任务学习问题，并且在投资时考虑了模型不确定性，动态地选择适当的交易专家。在五年时间跨度内的实际交易数据上，该框架在四项财务指标上表现显著优于现有的基线模型。
Jun, 2022
本论文提出了一种基于时间和异构图神经网络（THGNN）的方法，用于学习金融时间序列中价格变动之间的动态关系。该方法在美国和中国的股票市场上展开广泛实验，并在实际交易中实现了显著的累积组合回报。
May, 2023
本文研究了使用Informer网络进行金融市场预测的应用，Informer网络在预测长度、全局时间戳、计算复杂度等方面得到了改进，在1分钟和5分钟频率的四个不同股票/市场指数上进行了三个实验，结果表明Informer网络在各项评价指标方面表现最佳，证明这种时间戳机制能够提高网络的预测准确性，同时也表现出良好的鲁棒性和转移学习能力。
May, 2023
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
利用人工智能生成样本（AIGS）增强训练过程，提出了一种新颖的方法，利用Diffusion Model生成具有Transformer架构的股票因子（DiffsFormer）。通过编辑现有样本来控制生成数据与目标领域的差异程度，以缓解数据稀缺问题，并通过在CSI300和CSI800数据集上的实验证明了该方法在股票预测任务中的有效性。
Feb, 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
在全球化和数字化的时代，由于金融市场的非稳态性和传统区域和行业分类的不确定性，准确地识别相似股票变得越来越具有挑战性。为解决这些挑战，我们研究了SimStock，这是一个结合了自监督学习（SSL）和时间域泛化技术的新型时间自监督学习框架，用于学习金融时间序列数据的强大而丰富的表示。我们的研究主要关注从更广泛的角度来理解股票之间的相似性，考虑到全球金融格局的复杂动态。通过在包括数千只股票的四个真实数据集上进行广泛的实验，我们展示了SimStock在寻找相似股票方面的有效性，并超过了现有方法。SimStock的实际应用展示了其在配对交易、指数跟踪和投资组合优化等各种投资策略中的应用前景，在性能上超越了传统方法。我们的研究结果以经验证据的形式检验了利用时间自监督学习的数据驱动方法，以在不断变化的全球金融大环境中提升投资决策和风险管理实践的潜力。
Jul, 2024
本研究解决了股票预测任务中缺乏明确固定空间关系的问题，并提出了一种双路径自适应相关空间-时间反向变换器（DPA-STIFormer），通过特征变化建模节点信息。该模型通过双路径方式同时提取不同的空间相关性，实验结果表明其在多个股票市场数据集上表现出色，有力证明了模型在挖掘潜在时间相关模式方面的能力。
Sep, 2024