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

本研究提出了一种双层注意力神经网络，通过知识方法提取相关的财经新闻，使用输入注意将更有影响力的新闻与日嵌入进行连接，最后采用输出注意机制以不同权重分配不同日对股价变动的贡献，在历史股票价格上进行的实证研究表明我们的方法在股票价格预测方面比现有方法更优越。

Feb, 2019

年度报告包含了上市公司的财务状况，有助于评估其对股票价格的潜在影响。本文利用大型语言模型的能力简化了所有公司年度报告的评估过程，并通过历史股价数据编制了量化模型数据集，使用机器学习模型进行训练，结果显示出对标普 500 指数的良好超额收益。该研究为未来相关工作提供了一个框架，同时开源了相关代码。

Sep, 2023

使用深度神经模型从新闻文本中提取语义特征，应用自注意机制分配注意力，并预测标准普尔 500 指数和个人公司股价的方向性变化，表明该技术与其他最先进的方法相当竞争，证明了最新的自然语言处理技术对计算金融业的有效性。

Nov, 2018

本论文提出了一种可解释的决策模型，利用基于 SHAP 的可解释性技术来预测投资建议，不仅提供了影响预测建议的因素的有价值的见解，还满足了不同类型投资者的需求，包括对日常和短期投资机会感兴趣的投资者。通过设计一个案例研究来验证所提出模型的有效性，并使用我们的交易策略展示了投资者投资组合价值的显著提升，结果突出了在预测模型中引入可解释性的重要性，以提升利益相关者的信心并促进股票交易领域的透明度。

Dec, 2023

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

通过使用不同的机器学习模型和两组金融指标，本研究研究了股市中公司公布年报后第二天的股价趋势，得出结论基于公司新公布的年度报告财务指标，股票价格很难预测。

Jun, 2022

该研究使用四十年的财务数据，开发了一个神经网络模型来预测未来的公司收益，解决了财务分析师的覆盖不足和偏见估计问题，并超过了学术界的基准模型以及对于财年收益预测的分析师预测。

Nov, 2023

本文介绍了一种名为 FinBERT-XRC 的可解释深度学习模型，它以 10-K 报告作为输入，自动评估其关联公司的事后收益波动风险，并在词语、句子和文集三个层面上同时提供分类决策的解释，此模型的预测透明性和准确性在金融领域的应用中起着重要作用。

May, 2024

该研究利用自然语言处理技术预测股票价格波动，旨在早期发现能够捕捉市场机会的经济、政治、社会和技术变化。通过从新闻文章中识别重要事实和事件，并使用这些事实与实体形成元组，以获取特定实体的市场变化摘要，最后结合所有摘要形成整篇文章的最终摘要。使用大型语言模型 GPT 3.5 进行摘要提取，并分析维基百科数据和《经济学家》的文章以建立公司和实体之间的关系。该研究旨在开发一种全面的系统，通过提前发现市场趋势和事件，为金融分析师和投资者提供更加明智的决策工具。

Oct, 2023