Jul, 2024

股票相似度的时间表示学习及其在投资管理中的应用

HTML
PDF
TL;DR在全球化和数字化的时代，由于金融市场的非稳态性和传统区域和行业分类的不确定性，准确地识别相似股票变得越来越具有挑战性。为解决这些挑战，我们研究了SimStock，这是一个结合了自监督学习（SSL）和时间域泛化技术的新型时间自监督学习框架，用于学习金融时间序列数据的强大而丰富的表示。我们的研究主要关注从更广泛的角度来理解股票之间的相似性，考虑到全球金融格局的复杂动态。通过在包括数千只股票的四个真实数据集上进行广泛的实验，我们展示了SimStock在寻找相似股票方面的有效性，并超过了现有方法。SimStock的实际应用展示了其在配对交易、指数跟踪和投资组合优化等各种投资策略中的应用前景，在性能上超越了传统方法。我们的研究结果以经验证据的形式检验了利用时间自监督学习的数据驱动方法，以在不断变化的全球金融大环境中提升投资决策和风险管理实践的潜力。
发现论文，激发创造
  • Astock：一种基于股票特定新闻分析模型的新数据集和自动股票交易系统

    本研究利用自然语言处理（NLP）技术分析社交媒体和新闻发布的文本，建立一个支持金融决策的股票自动交易算法平台。借助语义角色标注池化方法（SRLP）和自监督学习，我们在更逼真的环境中开发和评估了该系统，并展示了该方法在实际交易中超越了所有基准的周年收益率和最大回撤率。

    Jun, 2022

  • 股票运动预测中多种动力学和内部动力学的高效集成

    本研究提出了一个用于预测股票走势的框架，利用 DNN 技术实现了逐股票的内部动态与不同股票间多阶相关性建模，并采用了基于小波基的超图注意力，实现了在效率与准确率上的平衡。实验结果表明，该框架在收益和稳定性方面超越了现有方法。

    Nov, 2022

  • 时间序列数据与LLM相遇 - 可解释的金融时间序列预测

    本文研究了利用大型语言模型在可解释金融时间序列预测中的应用，使用股票价格数据、公司元数据和历史新闻等多模态信号，在 NASDAQ-100 股票上进行实验，结果显示与一些基准模型相比，使用 GPT-4 和 Open LLaMA 这类新型模型进行零样本/少样本推断并通过基于指令的微调生成可解释预测，优于经典的 ARMA-GARCH 模型和梯度提升树模型。

    Jun, 2023

  • 多模态金融时间序列检索通过潜空间投影

    在本文中，我们提出和演示了一种使用深度编码器将金融时间序列的多模态数据存储在低维潜空间中的框架，使潜空间投影不仅捕获时间序列趋势，还捕获金融时间序列数据的其他有价值的信息或属性（例如价格波动性），同时允许用户友好的查询界面，包括自然语言文本和时间序列的草图。我们展示了我们的方法在计算效率和准确性方面在真实历史数据和合成数据上的优势，并突出了使用潜空间投影在金融时间序列数据的存储和检索中的实用性。

    Sep, 2023

  • 通过大型语言模型整合股票特征和全球信息以提升股票收益预测

    通过引入LG模型和SCRL方法，我们提出了一个用于量化投资的创新框架，能够有效将Large Language Models中包含的语义信息与现有的量化股票特征相结合，以提高金融新闻分析和股票收益预测的性能。在中国A股市场中，我们的框架相较于仅依赖于股票特征的模型，表现出卓越的排名信息系数和收益表现。

    Oct, 2023

  • 基于可屏蔽股票表示的强化学习在可定制股票池中的投资组合管理

    通过一次性训练全球股票池中的可定制股票池，提出了具有可屏蔽股票表示的增强学习框架EarnMore，通过掩盖目标池外的股票的表示、学习有意义的股票表示和重新加权机制，在8个美国股票市场的子集股票池上的大量实验证明，EarnMore在利润上的6个常用金融指标上显著优于14种最新算法，达到了超过40%的提升。

    Nov, 2023

  • MTRGL: 多模态时间关系图学习中的有效时间相关性识别

    本研究探讨深度学习与金融市场应用的协同作用，重点关注配对交易。该研究引入了一种新的框架，多模态时序关系图学习（MTRGL），将时间序列数据和离散特征组合成一个时序图，并采用基于记忆的时序图神经网络。实验结果表明MTRGL具有优异性能，在改进自动配对交易策略方面具有潜力。

    Jan, 2024

  • 增强金融数据可视化以便于投资决策

    利用LSTM网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进LSTM模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 个人投资者的股票推荐：一种基于时间图网络和多样性增强对比学习的方法

    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

  • 通过自监督对比表示学习进行盈利季节交易

    本研究针对如何在不规律的盈利发布周期中有效利用盈利数据进行算法交易的挑战，提出了对比盈利变压器（CET）模型，该模型采用自监督学习方法。研究显示，CET在应对盈利数据随时间变化的相关性方面具有显著优势，能更好地预测股票价格趋势，从而为算法交易提供了一种新的思路。

    Sep, 2024