- FinGPT: 开源金融领域大型语言模型
本文介绍了一种基于数据驱动和透明资源的开源金融领域大型语言模型（FinGPT），通过自动数据处理管道和低秩度量适应技术，为研究人员和从业者提供访问、透明的资源，并展示了机器人顾问、算法交易和低代码开发等潜在应用。
- 使用 CNN-LSTM 神经网络模型预测股市时间序列数据
本文介绍了一种使用 CNN-LSTM 神经网络的股票市场预测模型，通过将股票数据转换为张量，识别特征并预测在给定时间段内的股票市场变化，实验结果表明该模型具有较高的准确性。
- 自然语言理解金融任务的模型无关元学习
本文研究了模型无关元学习算法（MAML）在低资源金融自然语言理解（NLU）任务中的应用，证明了该算法可使模型快速适应低资源情境并获得最佳性能。
- 基于贝叶斯优化的 ESG 金融投资
本文提出的优化黑盒方法使用贝叶斯优化算法（Bayesian optimization，BO）来最大化遵循 ESG 标准的股票投资组合的表现，以此来平衡回报和风险。
- EMNLPConvFinQA：探索在金融问答中的数字推理链
本研究旨在探讨大规模预训练语言模型在金融领域中实现数值推理的挑战，提出了一个新的大规模数据集 ConvFinQA，对其进行了综合性实验和分析，为研究实际世界中复杂推理任务提供新的资源。
- DGraph: 大规模金融图谱异常检测数据集
本研究介绍了一种基于金融领域的动态图表 DGraph，其中包含约 3M 个节点和 4M 个动态边缘，通过对 DGraph 的全面观察和实验证明，DGraph 对于推进图形异 常检测研究并深入探索异常节点非常有用，同时还表明未标记的节点对于检 - 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 - 特征重要性和反事实解释的鲁棒性调查
研究了金融领域中两类常用的局部解释方法的健壮性，给出了健壮性分析的分类方法和结果，并探讨了如何扩展分析方法以确定可靠的解释方法。
- KDD攻击算法交易者的对抗扰动：接管股票市场
本研究探讨在算法交易系统中，使用对抗性学习技术对输入数据流进行实时操纵的攻击，并评估其在现实市场数据流上的有效性和在白盒和黑盒设置中的影响。我们提出了各种缓解方法并讨论其限制，旨在提醒金融界对自动化学习模型使用所带来的潜在风险，并促进进一步 - KDD使用线性模型树进行准确而直观的上下文解释
本文在财务领域探讨复杂机器学习模型的解释方法。通过使用生成对抗网络生成合成数据并训练一种新型的分段线性模型，能够提供更好的局部后续模型无关解释，其中包括对单个特征的归因以及对其背景的解释。
- 时间序列早期分类的方法和应用：一份综述
本文系统地回顾了当前文献中针对一元和多元时间序列早期分类的各种方法，将这些方法划分为基于前缀、基于形状、基于模型和其他方法四个类别，并讨论了在医疗保健、金融和智能交通等领域中早期分类的应用。未来的研究方向也得到了总结。
- 金融应用中的深度学习：一项调查
本文是一篇对于当前金融应用发展的深度学习模型的综述，分析了如今各个子领域中广泛应用的深度学习模型，并提出了未来的研究方向。
- 风险厌恶信任区域优化用于奖励波动率降低
本文提出了一种新的风险评估指标 —— 奖励波动率，并建立了一个基于改进后的奖励波动率指标的策略梯度定理。通过在两个模拟的金融环境下进行测试，证明了该方法的有效性。
- AAAIWATTNet：通过高度多元时间序列的分层时空表征学习外汇交易
探讨通过使用高维序列数据模型分析非交易货币远期合约数据，引入了一种时间卷积神经网络 (WATTNet) 和两种方法来验证稳定性和检测学习策略的驱动因素。
- 基于 BERT 的金融情感指数和基于 LSTM 的股票收益可预测性
通过使用 Google 开发的预训练模型 BERT 以及 LSTM，结合期权和市场隐含方法，构建了一个更通用和综合的金融情感分析框架，证明了在金融情感分析中应用 BERT 相较于现有模型的显著改进，并进一步提供了对个股收益率可预测性的令人信 - 针对具有无限奖励的多臂赌博机的分布式无感知、风险感知算法
本文研究一个选择 arm 的问题，它通过平衡固定预算下预期奖励和相关 CVaR 之间的线性组合来优化，同时提出了一类可证明上限的算法，并比较其在非 oblivious 算法中的误差边界与实际表现（数字化实验）的竞争性。
- IJCAI多臂赌博机与情境赌博机的实际应用调查
该研究详细回顾了多臂赌博框架在各种应用领域上的最新前沿发展，例如推荐系统、信息检索、医疗保健和金融等，同时提供了未来该领域的重要趋势和新视角。
- 将问答系统应用于实践：转移学习用于高效领域定制
本文提出通过过滤机制来增加文档检索的精度，并针对领域差异用一种新型的融合和过采样的迁移学习方法用于提高答案提取性能，并以金融公司和电影行业的实际用例证明了其表现。
- 神经随机波动率模型
这篇论文展示了最近将统计模型与深度循环神经网络相结合提供了一种描述波动度（时间序列的变化程度）模型的新方法，其中包含了一对互补随机循环神经网络，应用在金融领域的时间序列分析和预测。在实现的过程中，作者着重处理了基于随机循环神经网络的波动度动 - 方差降低梯度下降的有限和复合优化
本文提出了两种算法解决有限和场景中的组合优化问题，并应用于机器学习、统计学和金融等领域，取得了比现有算法更好的收敛速度。