我们提出了一种集成方法，以提高在高度随机的日内加密货币组合交易环境中通过深度强化学习算法训练的交易策略的泛化性能。我们采用了一种模型选择方法，对多个验证期进行评估，并提出了一种新颖的混合分布策略，以有效地集成所选模型。我们提供了关于细粒度测试期间样本外表现的分布视图，以证明策略在不断变化的市场条件下的稳健性，并定期重新训练模型以应对金融数据的非平稳性。与深度强化学习策略和被动投资策略的基准相比，我们提出的集成方法改善了样本外表现。

Jul, 2023

基于情绪理论，本文以东方财富网为例，从用户评论数据中提取情感信息，并结合 Alpha191 模型进行回归分析，结果显示情感因素的加入使回报率相比于基准模型提高了 73.8%，相比于原始 alpha191 模型提高了 32.41%。同时讨论了情感因素融入量化交易的优点和缺点，并提出未来进一步研究的可能方向。

Sep, 2023

本文提出利用集成演化算法和深度学习模型开发长期投资策略的新方法，通过一系列短期购买决策来增加系统投资计划（SIP）对 ETF 的决策，并在 Robinhood 交易平台上执行算法的实时交易决策，相比于传统的日常系统性投资，我们的新方法有着更高（约 1%）的回报率。

Mar, 2022

本文研究使用多任务组合框架解决情感和情绪分析中的三个问题，并通过使用卷积神经网络（CNN）、长短期记忆网络（LSTM）和门限循环单元网络（GRU）等三种深度学习模型以及手工特征表示进行预测，实验结果显示出本文提出的多任务组合框架的有效性，对于大部分问题和领域都获得了 2-3 个百分点的性能改进。

Aug, 2018

本文提出了一种名为 SYENS 的新型逻辑引导交易框架，它通过程序合成和层次化交易策略在动态股市中稳定地行为。实验证明，SYENS 在现金交易和保证金交易设置下，在累积收益和最大回撤方面都明显优于基准。

Oct, 2023

利用强化学习方法（包括深度 Q 学习、深度 SARSA 和策略梯度方法）训练的智能代理，可以自主分析模型过去的数据，并制定分析策略进行股票交易，2021 年前收益率大概为 70% 到 90%，2021 年收益率大概在 2% 到 7% 之间，并且总体上保持了正收益。

Jun, 2023

提出了一系列用于对付高波动性、高代价探索、多智能体交互等具有挑战性的贸易市场的强化学习算法，并将其应用于多智能体环境。这些算法不仅考虑风险意识、扰动下的鲁棒性和低学习方差，还进行了实证博弈理论的扩展。

Jul, 2021

该研究使用神经网络的新组合评估基于人群金融背景的情感分析预测股市，利用 BERT 对情感进行分类，利用 LSTM 进行基于时间序列的股市预测，并利用微博作为情感数据收集源来评估结果，指出从持牌金融顾问组学习到的股市预测比未经授权的金融顾问组学习到的预测结果精确度高出 39.67％，并且相较于现有方法，该方法的准确度最高（87％）。

Feb, 2024

我们提出了一种创新的集成方法来进行情感分析以找到伪造评论，它结合了支持向量机、K 最近邻算法和决策树分类器的预测能力，从而在伪造评论预测中实现了卓越的准确性和鲁棒性，突显了集成技术在使用混合算法中开展伪造评论研究方面的潜力。

Apr, 2024

最近，通过学习动态金融市场中的空间和时间信息，采用深度学习或强化学习方法对投资组合进行优化。然而，在大多数情况下，现有的方法可能会根据传统价格数据产生偏斜的交易信号，由于大量市场噪音，这可能导致投资回报和风险无法平衡。因此，本文提出了一种多智能体和自适应投资组合优化框架，集成了注意机制和时间序列，即 MASAAT，其中创建了多个交易智能体以观察和分析价格序列和方向变化数据，以识别不同粒度级别上资产价格的显著变化，从而增强价格序列的信号噪声比。通过重构金融数据的令牌序列，每个智能体的基于注意力的横截面分析模块和时间分析模块可以有效捕捉资产之间的相关性和时间点之间的依赖关系。此外，将投资组合生成器集成到所提出的框架中，以融合空间 - temporal 信息，然后总结所有交易智能体建议的投资组合，生成新的合奏投资组合，以减少偏斜的交易行为，并平衡整体回报和风险。实验结果清楚地表明，与许多知名的投资组合优化方法相比，MASAAT 框架在 DJIA、S&P 500 和 CSI 300 三个具有挑战性的数据集上取得了令人印象深刻的增强效果。更重要的是，我们的提案在未来的研究中具有许多潜在优势应用。

Apr, 2024