发展一个客户分割模型，以提高零售市场行业中的决策流程，并采用 RFM 框架量化客户价值，并比较了几种聚类算法，结果显示 GMM 优于其他方法，Silhouette 评分为 0.80。

Feb, 2024

该研究提出一种基于两阶段聚类的时间序列聚类新技术，其中使用最小二乘多项式分段过程对每个时间序列进行分段，并将它们映射到相同维度的空间中进行一系列的聚类过程，最终结果很有前途，并在与两种最新方法相比较时显示出性能表现优异。

Oct, 2018

研究表明，通过对 2015 年至 2017 年 2 万名外汇交易员的实际交易进行聚类，可以使用 Ewens' Sampling Distribution 描述簇的分布，同时将 Aggregating Algorithm（AA）应用于这些实际数据可以提高交易员风险投资组合的回报，然而当交易中存在过多相似模式时，AA 算法表现不佳，因此应用统计验证网络（SVN）和层次聚类方法可以显著改进 AA 算法在回报的盈利性和平滑性方面的结果。

Jun, 2024

本文回顾了金融时间序列聚类及其相关联的其他互动网络的研究现状，旨在将来自不同领域的相关材料聚集在一起。我们希望本文将成为研究人员更有效地使用金融时间序列的替代建模方法以及决策者和量化研究人员利用其洞见的基础。最后，我们还希望这份综述将成为研究金融市场中的相关性、层次、网络和聚类的开放工具箱的基础。

Mar, 2017

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

本文旨在研究如何使用基于案例的推理来进行金融领域中的行业分类。通过提出一种基于股票回报嵌入的新型表征方法，使得此任务能够得到有效解决，并在现有的公共数据集上获得了显著的性能提升。

Apr, 2023

本文研究了金融科技贷款平台的贷款筛选中所存在的表征偏差问题，并提出了一种基于 Transformer 的序列贷款筛选模型，采用自监督对比学习和领域自适应来解决这个问题。实验结果表明，该模型显著促进了资金决策的包容性，并将贷款筛选精度和利润分别提高了 7.10％和 8.95％。

May, 2023

本文提出了一种新的基于模型的时间序列聚类方法，该方法通过考虑每个聚类所属的系列来拟合 K 个全局预测模型，然后将每个系列分配给产生最佳预测的模型关联的组。该方法以预测准确性作为构建聚类分区的主要元素，产生了一种新的聚类范例，其中聚类解决方案的质量是通过其预测能力来衡量的。此外，该过程还产生了一种选择时间序列数据库中聚类数量的有效机制，并且可以与任何类回归模型结合使用。大量模拟研究表明，该方法优于其他几种替代技术，包括聚类效果和预测准确性。该方法还应用于多个时间序列文献中使用的标准基准数据集的聚类中，产生了良好的结果。

Apr, 2023

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

提出了一种通过构建假社交网络并使用复杂的网络分析与表示学习来改进智能手机应用中的信用评分模型，以实现增强金融包容，提高全球金融福祉的方法。

Jan, 2020