Sep, 2024

通过自监督对比表示学习进行盈利季节交易

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 关于盈利电话会议和股价走势的研究

    本文提出使用深度学习框架，通过对收益电话记录进行建模，应用注意力机制将文本数据编码为向量以预测股票价格的变化，实证实验表明该模型优于传统机器学习基准，并且收益电话信息可以提升股票价格预测性能。

    Aug, 2020

  • 使用循环神经网络进行收益预测

    该研究使用四十年的财务数据，开发了一个神经网络模型来预测未来的公司收益，解决了财务分析师的覆盖不足和偏见估计问题，并超过了学术界的基准模型以及对于财年收益预测的分析师预测。

    Nov, 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

  • DiffSTOCK：基于扩散模型的概率关系型股市预测

    我们提出了一种通用去噪扩散概率模型的方法，用于股票市场预测和投资组合管理。我们展示了去噪扩散概率模型在处理不确定性方面的有效性，并利用模型在时间序列预测中模拟更高的不确定性。此外，我们还提供了一种新颖的确定性架构 MaTCHS，利用蒙版关系转换网络来利用股票之间的关系。我们展示了该模型在预测市场动向和投资组合管理方面的最新性能。

    Mar, 2024

  • StockGPT：用于股票预测和交易的 GenAI 模型

    本文介绍了StockGPT，一种在美国股票每日收益历史数据上直接预训练的自回归'数值'模型。通过将每个收益系列视为标记序列，该模型在理解和预测高度复杂的股票收益动态方面表现出色。利用注意机制，StockGPT自动学习预测未来收益的隐藏表示。在2001年至2023年的测试样本中，基于StockGPT预测的每日重新平衡的多空投资组合年收益为119%，夏普比率为6.5。基于StockGPT的投资组合完全解释了动量和长期/短期逆转现象，消除了手动构建基于价格的策略的需要，并涵盖了大多数领先的股市因素。这凸显了生成型人工智能在超越人类进行复杂金融投资决策方面的巨大潜力，并证明了大型语言模型的注意机制在完全不同的领域中的有效性。

    Apr, 2024

  • 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

  • 股票相似度的时间表示学习及其在投资管理中的应用

    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。

    Jul, 2024

  • 运用财报进行股票预测：一种增强的QLoRA LLM 方法

    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

  • PLUTUS：成熟的大规模统一变压器可揭示金融时间序列规律

    本研究解决了金融时间序列建模中存在的非线性、非平稳以及高噪声水平带来的挑战。我们提出了PLUTUS，一种基于预训练的大型统一变压器模型，通过对比学习和自编码器技术，有效处理高噪声时间序列，且在多个任务中表现出色，为金融领域奠定了坚实的基础。

    Aug, 2024

  • PLUTUS：一个经过良好预训练的大型统一变换器揭示金融时间序列规律

    本研究解决了金融时间序列建模中的非线性、非平稳性和高噪声等挑战，传统模型难以捕捉复杂模式。我们提出的PLUTUS是一种基于大型预训练变换器的模型，能够有效捕捉金融时间序列中的规律，并在1000亿观察数据集上进行预训练，展示了强大的传递性和卓越的性能，为金融领域设立了新的技术标准。

    Aug, 2024