Mar, 2024

从关注到利润：基于 Transformer 的量化交易策略

PDF
TL;DR该研究提出了一种增强型的 Transformer 架构，设计了一种基于该模型的新型因子。通过从情感分析进行迁移学习，该模型不仅利用其原有的长期依赖性和复杂数据关系建模的优势，而且能够解决带有数字输入的任务并准确预测未来一段时间的回报。该研究的结果表明，相比其他 100 种基于因子的量化策略，该模型在预测股票趋势方面表现出优越性能，且换手率较低，半衰期更加稳健。值得注意的是，该模型通过与市场情绪信息结合，创新地应用了 Transformer 来建立因子，从而显著提高了交易信号的准确性，为未来量化交易策略提供了有希望的启示。
quantitative tradingtransformer architecturefactor-based modelsentiment analysisstock trends
发现论文，激发创造
  • 使用 Transformers 和情感分析支持股票趋势预测

    本文利用 Transformers 模型和情感分析结合了技术股票数据和头条新闻数据，以准确预测股票趋势。与 RNN 相比，我们的模型在预测时间窗口为 30 个工作日的情况下将方向准确性提高了近 18.63％。

    May, 2023

  • 股市情绪分类和精细调整的 BERT 回测

    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

  • 动量变换器交易：一种智能和可解释的架构

    本研究介绍了动量 Transformer，一种基于注意机制的深度学习架构，在时间序列的动量和均值回归交易策略表现方面优于基准模型。通过引入多个注意头，我们可以捕捉发生在不同时间尺度上的同时并发动态。Momentum Transformer 本质上可解释，并提供了更深入的深度学习动量交易策略，包括随时间变化的不同因素的重要性和对模型最具意义的过去时间步骤。

    Dec, 2021

  • 金融情感分析的迁移学习和 Transformer 架构

    金融情感分析中的预训练语言模型和迁移学习原则可有效解决特殊的金融领域情感分析困难，同时考虑到像 COVID 这样疫情的因素，对两组不同数据进行情感分析，并使用较小的训练集对模型进行微调。

    Apr, 2024

  • 深度学习下重新思考时间序列预测：一步前行两步退后

    本文介绍了 Transformer 在时间序列预测方面的应用，探讨了其局限性，并提出了一系列更好的性能和更少复杂度的其他模型。

    Apr, 2023

  • 通过预测公司基本面来改进基于因子的量化投资

    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

  • 一种新的位置机制和改进的 EMD 的端到端结构用于股票预测

    本文提出了一种新颖的基于注意机制的方法，通过考虑股票市场信息和个别股票信息，以及利用基于经验模态分解的算法来降低股票数据中的短期噪声，展示了该方法在预测股票走势方面的卓越性能。

    Mar, 2024

  • 基于 Transformer 的方法：从非结构化文本到因果知识图谱

    本文介绍了基于 transformer 的 NLP 架构，该架构可以联合提取包括语言描述、定性因果关系、约束限定词、词义在内的知识图谱，以及说明其在真实世界中的准确性和实用性。

    Feb, 2022

  • 多策略文本处理在金融数据分析应用中的应用

    本文主要介绍了如何利用多种数据挖掘技术和深度学习应用于金融文本处理场景，并且展示了如何使用自然语言处理（NLP）和知识图谱（KG）技术来从异构数据中识别金融风险和机会。

    Apr, 2022

  • 股票运动预测的时空变换器

    提出了一种新颖的使用空间时间转换器 - LSTM 模型的 STST 方法来预测股票涨跌，该模型在 ACL18 和 KDD17 数据集上分别获得了 63.707％和 56.879％的准确率，并用于模拟交易，获得了不低于 S＆P500 股票指数的 10.41％的最小收益率和 31.24％的最小年化收益率。

    May, 2023