Aug, 2023

金融网络学习优化动量策略

PDF
TL;DR网络动量提供一种新型的风险溢价，利用金融网络中的资产相互连接来预测未来回报。我们提出了 L2GMOM，这是一个端对端的机器学习框架，它同时学习金融网络和优化网络动量策略的交易信号，通过 64 个连续期货合约的回测表明，在 20 年的时间段内，投资组合的盈利能力和风险控制有显著提高，夏普比率为 1.74。
network momentumfinancial networksportfolio optimizationmachine learning frameworksharpe ratio
发现论文，激发创造
  • 跨资产类别的网络动量

    本研究通过仅使用定价数据，探讨了跨多个资产类别的动量溢出，提出了基于网络动量的多资产投资策略，并通过稳健的经验分析，强调该策略的有效性。

    Aug, 2023

  • 利用深度多任务学习构建时间序列动量组合

    研究表明，在一个深度神经网络结构中使用多任务学习可以提高投资组合的绩效，一些辅助任务如波动率预测也可以改善投资组合的表现。此外，通过对股市交易数据的回测，发现该方法优于现有的基于时间序列动量的投资策略。

    Jun, 2023

  • 利用连续时间理解对角线线性网络训练中的动量

    通过分析动量梯度下降的连续时间方法，我们研究了动量对优化轨迹的影响，并得到了唯一定义优化路径和提供简单加速规则的内在量 λ = γ / (1 - β)²。通过在超参数化回归环境中训练 2 层对角线线性网络，我们表征了隐式正则化问题中的恢复解，并证明了较小的 λ 值有助于恢复稀疏解。最后，我们为随机动量梯度下降提供了类似但较弱的结果，并提供了支持我们结论的数值实验。

    Mar, 2024

  • 网络重构与动态学习的通用深度学习框架

    通过提出 Gumbel Graph 网络 (GGN) 框架，我们展示了一种模型自由、数据驱动的深度学习方法，可用于重建网络连接并预测时间序列的状态。该框架在连续、离散、二进制等不同类型的时间序列数据上展现了显著的对比优势。

    Dec, 2018

  • MGA: 动量梯度攻击网络

    本文针对基于梯度信息的对抗攻击方法，对深度学习模型的图嵌入算法的有效性造成了影响，提出了一种动量梯度攻击（Momentum Gradient Attack，MGA）算法。该方法通过将动量项融合到迭代过程中，可以稳定更新方向，使模型跳出较差的局部最优解，并增强了其转移能力，实现了更具侵略性的攻击。实验表明，MGA 算法具有更好的攻击效果和转移能力。

    Feb, 2020

  • 基于粒子群优化 BP 神经网络和多元高斯 - 隐马尔可夫模型的股票择时和选股的定量融合策略

    该研究介绍了一种创新的金融分析技术，结合了机器学习、量化融合模型、股票市场、选股和择时策略。

    Dec, 2023

  • GraphFM: 通过特征动量提升大规模图神经网络训练

    本研究提出新技术 Feature Momentum，使用历史嵌入来更新特征表示，开发出两种算法 GraphFM-IB 和 GraphFM-OB，可用于批内或批外网络数据，实验证明可有效降低现有方法的邻域爆炸问题。

    Jun, 2022

  • 期权定价的机器学习：对网络架构的实证研究

    本文考虑了通过监督学习来学习期权价格或隐含波动率的问题，并发现在所选择的网络体系结构方面使用广义高速公路网络的精度比其它变体高，对于计算隐含波动率，采用变换后的 DGM 架构是最优的。

    Jul, 2023

  • Momentum-Net: 用于反问题的快速收敛迭代神经网络

    本文提出了第一种快速收敛的迭代神经网络 (Momentum-Net)，结合了回归 NN 和迭代模型的映像重建算法 (MBIR) ，实现了在成像、图像处理和计算机视觉中进行反问题求解，通过实验结果表明，Momentum-Net 显著改善了 MBIR 的速度和精度，并在每个应用中相对于最新的 MBIR 方法显著提高了重构质量。

    Jul, 2019

  • 早迟疑者输：基于 Hamilton 动力学的深度神经网络目标导向训练

    本研究针对深度神经网络的高度结构化能量景观，提出了基于事件的控制机制，用于在到达预定义的损失函数降低值时从探索切换到开发；同时，我们将动量法解释为一个港口哈密顿系统，并在实验中验证了该策略的应用可以提高深度神经网络的性能。

    Apr, 2023