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

金融文本中存在时间数据分布的变化，如何在不稳定的市场环境中训练一个能够准确推断情感且对时间数据分布变化具有鲁棒性的金融情感分析系统？本文通过对跨越三年的真实金融社交媒体数据集进行经验研究，在时间数据分布变化的情况下分析金融情感分析系统的性能下降问题，并基于金融文本的独特时间性质提出了一种结合异常检测和时间序列建模的新方法用于时间金融情感分析。实验证明该方法增强了模型在波动的金融市场中适应不断变化的时间趋势的能力。

Oct, 2023

金融包容确保个人能够获得满足其需求的金融产品和服务，此论文提出了一种新颖的时间序列聚类算法，以了解客户的金融行为，并在不依赖限制性信用惯例的情况下根据客户的需求提供独特的产品。

Feb, 2024

通过生态瞬时评估 (EMA) 研究，通过跨多个个体收集了大量的时序数据，持续监测情绪行为的各种项目。研究表明，将相似个体的附加信息聚集在一起，可以提高模型的预测性能，从而改善个体的描述。本文研究基于模型的聚类方法，并使用内在的聚类评估度量和下游预测方案的性能来分析这两种方法。结果显示，基于性能的聚类方法在所有评估度量方面均取得最佳结果。此外，通过将群组模型的性能与三种基准方案（个性化、整体群组和随机群组）进行比较，再次确认了聚类方法的优越性，表明利用群组信息可以有效提高所有个体数据的整体性能。

Oct, 2023

利用社交媒体数据和情感分析，结合宏观经济指标、搜索引擎数据和历史价格，基于多注意力深度学习模型，预测股市波动和行情。

Oct, 2023

扩大数据聚合方法的效果，提出一种利用问题之间的聚类结构的新型基于聚类的缩小 SAA 方法，证明该方法对问题数量的增长有额外的益处，探讨了不同距离度量对方法性能的影响，验证了聚类型数据聚合方法相较于现有方法在小数据大规模情景中的优势。

Nov, 2023

通过对多通道 (多元) 时间序列的相关性进行表示并研究网络社群的演变，我们探究了簇动力学。在外汇市场网络中，我们使用节点为中心的方法来跟踪社群演化对各节点功能角色的影响。利用动态社群检测，我们成功地发现了信贷危机期间市场中发生的主要交易变化。

Nov, 2008

在复杂的金融市场中，为了使个人能够做出明智的决策，推荐系统可以起到关键作用。现有的研究主要侧重于价格预测，但即使是最复杂的模型也不能准确预测股票价格。另外，许多研究表明，大多数个体投资者不遵循已建立的投资理论，因为他们有自己的偏好。因此，股票推荐的关键是推荐应该具有良好的投资表现，同时也不应忽视个体偏好。为了开发有效的股票推荐系统，必须考虑三个关键方面：1）个体偏好，2）投资组合多样化，以及 3）股票特征和个体偏好的时间特性。因此，我们开发了一种名为 PfoTGNRec 的投资组合时间图网络推荐系统，它可以处理时变的协同信号，并结合增强对比学习来增加多样性。结果表明，与包括尖端动态嵌入模型和现有股票推荐模型在内的各种基线相比，我们的模型表现出优越的性能，既在保持捕捉个体偏好的竞争力的同时，也展现出良好的投资表现。该文的源代码和数据可在此网址获得。

Mar, 2024

论文介绍了一种新的检测时间序列数据异常值的方法，主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值（或向量）上的概率分布。

Jul, 2020