Jun, 2022

一种基于多任务学习的路由不确定性感知交易专家的量化股票投资方法

PDF
TL;DR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。
quantitative investmentdeep learningmulti-task learningmixture-of-expertsportfolio management
发现论文，激发创造
  • 数字资产投资组合管理与风险评估的深度学习预测分析优化

    在这篇论文中，作者介绍了 DQN 算法在资产管理组合中的创新和直接应用，并且表明 DRL 算法在投资组合管理中的有效性，同时提出了通过添加约束条件来改善结果的建议。

    Feb, 2024

  • Quant 4.0：基于自动化、可解释和知识驱动的人工智能工程化量化投资

    该论文介绍了 Quant 4.0 的概念，它由自动化 AI、可解释的 AI 和知识驱动的 AI 三个组件构成，并探讨了 Quant 技术的十个研究问题，提出了可行的解决方案、研究方向和未来趋势。

    Dec, 2022

  • 深度强化学习的投资组合管理

    提出了一种以权重分配为中心的投资组合管理器，可以在后定格式市场上执行金融交易，并超过传统投资组合管理器的风险调整收益。

    May, 2024

  • 对复杂动态系统中认识不确定性和随机不确定性量化的机器学习架构评估

    本研究比较了多种机器学习技术的 UQ 准确性，并对两个模型（船只在波浪中的运动和 Majda-McLaughlin-Tabak 模型）进行了应用。

    Jun, 2023

  • 科学机器学习中的不确定性量化：方法、指标和比较

    本文介绍了一个包含不确定性建模、解法和评估的完整框架，用于量化神经网络中包括噪声、有限数据、超参数、过度参数化、优化和采样误差及模型错误等多源的误差和不确定性，特别关注向无限维函数空间中的偏微分方程和操作映射的学习，包括一个在原型问题上进行的广泛的比较研究。

    Jan, 2022

  • AlphaStock：使用解释性深度强化关注网络的买赢家卖输家投资策略

    本文提出了一种结合解释性深度注意力网络的强化学习投资策略，将深度学习方法应用于量化交易，提高投资策略的风险收益平衡度和可解释性，并实现了资产间关系和高成长、低波动、高内在价值和被低估的股票的选择，经过对美国和中国市场的实验验证，此策略具有较高的效果和稳健性。

    Jul, 2019

  • 机器学习中的不确定性量化 - 工程设计与健康预测教程

    本篇研究论文重点介绍了机器学习模型中的不确定性量化方法，特别关注神经网络以及在工程设计和医疗领域的应用。通过介绍多种不确定性量化方法和计量标准，本篇论文旨在帮助提高机器学习模型的安全性和可靠性，同时提供两个具体案例：锂离子电池寿命预测和涡轮发动机剩余使用寿命预测。

    May, 2023

  • 深度学习的不确定性量化

    提供了深度学习的完整且具有统计一致性的不确定性量化，包括源自（1）新的输入数据，（2）训练和测试数据，（3）神经网络的权重向量和（4）神经网络本身的不确定性。

    May, 2024

  • 苏格拉底的怀疑回声：在校准的证据强化学习中拥抱不确定性

    我们提出了一种新颖的统计方法，用于在无模型分布式强化学习中纳入不确定性感知，它涉及基于分位回归的深度 Q 网络。该算法称为 CEQR-DQN（Calibrated Evidential Quantile Regression in Deep Q Networks），旨在解决在随机环境中分别估计偶然性和认识性不确定性所面临的关键挑战。它将深度证据学习与基于符合推理原则的分位校准相结合，提供明确的、无需样本的全局不确定性计算，而不是基于简单差异的局部估计，从而克服了传统方法在计算和统计效率以及处理超出分布范围观察的局限性。用于一套小型 Atari 游戏（即 MinAtar）的测试中，CEQR-DQN 在得分和学习速度方面超越了类似的现有框架。它对严格评估不确定性的能力改进了探索策略，并可作为其他需要不确定性感知的算法的蓝图。

    Feb, 2024

  • 决策的不确定性推理与量化综述：信念理论遇上深度学习

    本论文调查了信念理论在深度学习中的应用及其局限性，并提出了未来的研究方向。

    Jun, 2022