本文提出利用集成演化算法和深度学习模型开发长期投资策略的新方法，通过一系列短期购买决策来增加系统投资计划（SIP）对ETF的决策，并在Robinhood交易平台上执行算法的实时交易决策，相比于传统的日常系统性投资，我们的新方法有着更高（约1%）的回报率。

Mar, 2022

本文提出了多任务混合专家 (MoE) 框架 AlphaMix，重塑了定量投资为多任务学习问题，并且在投资时考虑了模型不确定性，动态地选择适当的交易专家。在五年时间跨度内的实际交易数据上，该框架在四项财务指标上表现显著优于现有的基线模型。

Jun, 2022

本文提出了一种新的alpha挖掘框架，这个框架优先挖掘协同集的alphas，并利用强化学习来探索公式alphas的广阔领域，实验表明这个框架的有效性和效率。

May, 2023

本文提出一种新的alpha挖掘范式，通过引入人工智能与人类互动，并结合大型语言模型的力量，构建了Alpha-GPT交互式alpha挖掘系统框架，以一种启发式方式理解量化研究人员的想法，并输出创造性、有洞察力和有效的alpha。通过多个Alpha挖掘实验，证明了Alpha-GPT的有效性和优势。

Jul, 2023

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

近期大规模语言模型(LLM)的发展在金融领域开创了人工智能应用的新可能性。本文提供了一份实用的调查报告，关注LLM在金融任务中的两个关键方面：现有解决方案和采用指南。首先，我们回顾了目前在金融领域中采用LLM的方法，包括通过零样本或少样本学习利用预训练模型，对领域特定数据进行微调，以及从头开始训练自定义LLM。我们总结了关键模型并评估了它们在金融自然语言处理任务上的性能改进。其次，我们提出了一个决策框架，以帮助金融业专业人员根据数据、计算和性能需求选择合适的LLM解决方案。该框架提供了从轻量级实验到大规模投资自定义LLM的路径。最后，我们讨论了在金融应用中利用LLM所面临的限制和挑战。总的来说，该调查旨在综述最新技术并为负责任地应用LLM推动金融人工智能提供路线图。

Sep, 2023

通过引入一个包含两个层级循环的原则性框架，本文解决了基于大型语言模型的自主代理在专门领域如量化投资中构建和整合领域特定知识库的难题。通过内部循环以知识库为基础来改进回应，外部循环中在真实场景中测试这些回应以自动增强知识库。实证结果展示了QuantAgent在发现可行金融信号和提升金融预测准确性方面的能力。

Feb, 2024

使用大型语言模型（LLMs）在金融领域中的机器学习应用的最新进展，探讨了LLMs在各种金融任务上的应用，重点在于它们改变传统做法和推动创新的潜力，提供了进展和优势的讨论，包括上下文理解、迁移学习的灵活性和复杂情感检测等高级技术，以及将现有文献分类为主要应用领域，包括语言任务、情感分析、金融时间序列、金融推理、基于代理的建模和其他应用，详细介绍了每个应用领域的具体方法论，如文本分析、基于知识的分析、预测、数据增强、规划、决策支持和模拟。此外，还提供了与主流应用相关的数据集、模型资源和有用代码等资源，作为研究人员和实践者的参考。最后，概述了未来研究中的挑战和机遇，特别强调了该领域的几个独特方面。希望我们的工作能促进LLMs在金融领域的采用和进一步发展。

Jun, 2024

我们提出了一种使用深度强化学习进行alpha发现的新框架，通过将alpha发现过程形式化为程序构建。我们的代理人引导的搜索算法根据潜在alpha结果的价值估计在搜索空间中导航。我们的实证实验表明，我们的方法能够识别出一组多样化、逻辑正确且有效的alpha，显著提高了最终交易策略的性能。

Jun, 2024

本研究解决了传统机器学习模型在准确预测财报发布后的股票市场表现中的不足，尤其是在处理和解读财报文本数据时的困难。通过结合大型语言模型（LLM）与量化低秩适应（QLoRA）技术，构建了一个丰富的监督数据集，显著提升了模型在股市预测中的表现，尤其是在准确度和加权F1值上。研究表明，经过优化的 llama-3-8b-Instruct-4bit 模型在基准模型中表现出显著改善，预示着AI驱动的金融分析工具未来的广阔前景。

Aug, 2024