本文提出了一种构建平稳特征的新方法，可以有效地应用深度学习模型以解决金融数据非恒定性等问题，并结合了CNN模型提取有用特征和LSTM模型分析时间序列的能力，测试显示其在预测期限方面优于单独的LSTM和CNN模型。

Oct, 2018

本文探讨了通过利用深度学习的结构，对股价波动进行建模的可行性，并针对2018天中的1314个股票序列，通过负对数似然度量对现实世界的股票时间序列的实验进行比较，结果表明，与GARCH家族的各种常用确定性模型和最近提出的几个随机模型相比，包括扩展CNN和扩展循环神经网络等扩展神经模型产生了最准确的估计和预测

Nov, 2018

本文通过设计一种新的手工特征并对流动性和非流动性股票进行广泛的实验评估，解决了基于限价单簿（LOB）数据的中间价格运动预测的问题，并将特征馈入9种基于多层感知器（MLP）、卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的不同深度学习模型，以预测下一个价格趋势的方向和直到变化发生的订单簿事件数量，实验结果表明，正确选择特征集和模型可以成功预测股票价格变动的时间。

Apr, 2019

使用多智能体的市场仿真器构建了一种合成的LOB数据集DSLOB，用于对高频时间序列数据中的分布偏移进行对比实验，结果反映出需要增加研究人员的努力，以开发出对分布偏移具有鲁棒性的算法。

Nov, 2022

本论文提出了一种基于强化学习的市场做市策略，使用卷积神经网络和注意力机制从限价单簿中提取特征，获得了良好的应用效果。

May, 2023

深度学习在金融领域取得了重要进展，本研究基于限价单数据，通过对十五种先进的深度学习模型进行鲁棒性和泛化性能的研究，发现这些模型在新数据中表现出明显的性能下降，对其在实际市场中的适用性产生了质疑。我们的工作作为一个基准，揭示了当前方法的潜力和局限性，并为创新解决方案提供了见解。

Jul, 2023

开发一种生成真实订单流的生成模型是一个具有挑战性的开放性问题，该研究在金融市场参与者中有许多应用。

Aug, 2023

应用深度学习和强化学习结合，利用订单流量失衡进行多时间段预测收益的研究，为五种金融工具提供交易信号，并通过回测模拟和前期测试在零售交易平台验证了模型的潜力，但还需要进一步修改以应对零售交易成本、滑点和点差的波动。

Oct, 2023

引入了一种新型的大规模深度学习模型来预测限价单簿的中间价格变动，称为HLOB。该模型利用信息过滤网络(Triangulated Maximally Filtered Graph)来揭示卷面层次之间更深层次和非平凡的依赖结构，并通过从同源卷积神经网络(Homological Convolutional Neural Networks)中汲取灵感来保证处理底层系统复杂性的确定性设计。我们对三个包含15只在纳斯达克交易所交易的股票的真实限价单簿数据集进行了对比实验，将我们的模型与9种最先进的深度学习模型进行了系统性的比较，我们系统地表征了HLOB优于最先进模型的情景。我们的方法揭示了限价单簿信息在空间分布上的情况，并揭示了它在增加的预测时间范围内的退化情况，缩小了微观结构建模和基于深度学习的高频金融市场预测之间的差距。

May, 2024

本研究解决了期权交易策略中依赖传统市场动态和定价模型假设的不足。论文提出了一种新颖的深度学习模型，可以直接从市场数据中学习最优交易信号，展现出相较于现有基于规则的策略在风险调整表现上的显著提升。研究结果表明，模型中引入的周转率正则化在高交易成本下也能进一步提高绩效。

Jul, 2024