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

本文研究公司的财务健康状况，探究一些因素以预测它们的财务数据，并使用深度神经网络进行预测，结果表明，相对标准因素模型，我们的模型具有更高的年度复合收益率。

Nov, 2017

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

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

本文提出了一种新颖的基于注意机制的方法，通过考虑股票市场信息和个别股票信息，以及利用基于经验模态分解的算法来降低股票数据中的短期噪声，展示了该方法在预测股票走势方面的卓越性能。

Mar, 2024

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

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

使用领域专家构建金融专业事件字典，并自动从金融新闻中提取精细的事件信息，并设计神经模型将金融新闻与精细的事件结构和股票交易数据相结合，预测股票运动，实验结果表明，该方法胜过所有基准线，并具有良好的泛化能力。

Oct, 2019

本文提出了一种利用股票市场数据进行产业趋势分析的方法，并从显式分析和隐式分析两个方面引入了产业趋势分析方法，即层次数据分析和基于 GPT-2 预训练模型的分析，最终取得了良好的产业趋势分析结果。

Mar, 2023

该研究介绍了一种新的深度神经网络架构并提出了一种新的方法来准备金融数据以便于它们被馈入该模型，以预测股票和加密货币市场的价格波动。研究表明，该框架可以提供有利可图和稳健的预测，并引入一个交易策略来利用训练模型的输出。

May, 2022