通过引入 LG 模型和 SCRL 方法，我们提出了一个用于量化投资的创新框架，能够有效将 Large Language Models 中包含的语义信息与现有的量化股票特征相结合，以提高金融新闻分析和股票收益预测的性能。在中国 A 股市场中，我们的框架相较于仅依赖于股票特征的模型，表现出卓越的排名信息系数和收益表现。

Oct, 2023

本论文提出了一种新的基于图像和字节的数字表示方法，利用股票数据进行市场预测，相对于传统的基于时间序列模型的预测方法，我们的方法表现更好，同时采用深度学习基线方法进行评估。

Jan, 2023

本研究提出了一种适用于金融文本的多标签主题模型，使用新的金融多标签数据库进行训练，并通过分析股市反应来研究不同主题之间的差异以及协同出现主题对股市反应的影响，模型的最佳表现可达到超过 85% 的宏观 F1 得分。

Nov, 2023

本文提出了一种利用多模态注意力网络（multi-modality attention network）进行股票预测的方法，将社交媒体中的语义信息和历史交易记录中的数字特征相结合，通过减少冲突来提高预测准确性（61.20%）和交易利润（9.13%），从而提高了股票预测的性能和为多模态融合提供了未来研究方向。

Dec, 2021

在本文中，我们提出和演示了一种使用深度编码器将金融时间序列的多模态数据存储在低维潜空间中的框架，使潜空间投影不仅捕获时间序列趋势，还捕获金融时间序列数据的其他有价值的信息或属性（例如价格波动性），同时允许用户友好的查询界面，包括自然语言文本和时间序列的草图。我们展示了我们的方法在计算效率和准确性方面在真实历史数据和合成数据上的优势，并突出了使用潜空间投影在金融时间序列数据的存储和检索中的实用性。

Sep, 2023

提出了一种新颖的使用空间时间转换器 - LSTM 模型的 STST 方法来预测股票涨跌，该模型在 ACL18 和 KDD17 数据集上分别获得了 63.707％和 56.879％的准确率，并用于模拟交易，获得了不低于 S＆P500 股票指数的 10.41％的最小收益率和 31.24％的最小年化收益率。

May, 2023

股票趋势分类是一项基本但具有挑战性的任务，本文提出了一种基于图表示学习的方法来预测多个股票未来的走势，通过生成动态的多关系股票图来建模股票之间复杂的时变关系，然后通过随机多关系扩散过程进一步改进这些初始图，并实现并行保留的解耦表示学习方案来获取最终的图表示。在美国（纳斯达克和纽约证券交易所）和中国（上海证券交易所）的真实数据集上进行的综合实验验证了我们方法的有效性，这一方法在涵盖七年的三个测试期间的预测下一个交易日股票趋势方面一直优于现有技术基线模型。

Jan, 2024

本文分析了如何通过学习潜在因素的后验分布来解决隐含最优交易问题，提出了一种 EM 算法的变体来校准模型，演示了此最优策略的性能和与忽略学习的策略的比较。

Jun, 2018

本文提出一种新的股市趋势预测框架，可以充分挖掘预定义概念和隐藏概念中的概念导向共享信息，同时利用股票的共享信息和个体信息，提高了股市趋势预测的性能，在实际的投资仿真中，相对于基准线，我们的框架可以获得更高的投资回报。

Oct, 2021

使用深度学习模型，该研究提出了一种新的股票预测方法（RSR 方法），能够考虑股票之间的关系，其中包括一个名为 Temporal Graph Convolution 的新组件。在 NYSE 和 NASDAQ 的历史数据上进行的回测实验表明，该方法优于现有股票预测方案，分别在 NYSE 和 NASDAQ 上实现平均回报率为 98％和 71％。

Sep, 2018