基于异常检测的金融事件类型增量发现方法
该研究提出了一种新型的端到端模型- Doc2EDAG，可以生成一个基于实体的有向无环图，有效地完成文档级事件提取（DEE）任务，并将DEE任务重新定义为无触发词设计，以缓解文档级事件标注的负担。
Apr, 2019
本文讨论了将异常和偏差检测方法应用于文本语料库，并针对相应挑战提出了采用分布语义的语言模型可在风险识别、预测建模和趋势分析等方面发挥重要作用。
Aug, 2019
本文探讨了金融服务业中常见的不同类型的时间数据，回顾了当前在这个领域中的机器学习方法，并评估了在机器学习和时间数据的交叉应用中，研究人员面临的挑战和机遇。
Sep, 2020
本文提出了一种基于深度学习的行为数据表征方法，用于集群并检测金融服务领域中的欺诈性交易。该方法将点击流数据视为事件序列，并使用基于时间注意力的双向LSTM以无监督的方式学习序列嵌入，与风险专家生成的直观特征结合，形成混合特征表征。利用工程优化的GPU加速算法，该方法能够在几分钟内对亿万级交易进行聚类并检测欺诈交易。实验结果表明，该方法能够捕捉到漏报的欺诈性交易，并可应用于实时欺诈检测。
Jan, 2021
本文提出了一种基于事件驱动的交易策略，通过从新闻文章中检测公司事件来预测股票走势，并通过检测到的事件在文章级别上获取暂时的股票错定价，实现了超越市场基准的交易回报率。
May, 2021
使用深度半监督异常检测技术Deep SAD，本研究旨在评估其在高频金融数据中检测欺诈行为的有效性，通过利用蒙特利尔的TMX交易所的专有限价订单簿数据和少量真实标记的欺诈实例，我们证明将少量标记数据融入无监督异常检测框架可以极大提高其准确性。
Aug, 2023
该研究论文介绍了一种新的深度学习有监督方法用于检测多变量时间序列数据中的事件，并且提供了一个配套的Python软件包，名为eventdetector-ts。
Oct, 2023
我们提出了一种新的系统，用于检测微博社交网络中的积极预测，这是一种金融情绪，类似于Plutchik理论中的“预期”，通过应用自然语言处理技术提取有价值的语言信息，利用三层堆叠的机器学习分类系统和复杂的特征来实现高检测精度。在手动注释了金融情绪和股票发生标签的数据集上的实验结果表明，我们的系统在金融机会检测方面表现出了令人满意和有竞争力的性能，精度值高达83%。这个有希望的结果证明了我们的系统在支持投资者决策方面的可用性。
Mar, 2024
该研究将金融情感分析（FSA）扩展到事件级别，通过设计粗细分类的事件类别，将事件从金融文本中提取出来，并提出了一个涵盖（公司，行业，粗事件，细事件，情感）的事件级别金融情感分析（EFSA）任务，在一个大规模的中文数据集上得到了与现有方法相媲美的结果。
Apr, 2024
利用大型语言模型对金融数据中的异常检测进行研究，通过测试三个预训练通用句子转换模型和五个优化过的机器学习模型，发现大型语言模型对异常检测是有价值的，特别是在金融账目条目中处理特征稀疏性方面的有效性。
Jun, 2024