- 预测 NVIDIA 隔日股价：LSTM、MLP、ARIMA 和 ARIMA-GARCH 模型的比较分析
金融市场中股票价格预测仍然是一个重大挑战，对投资者、交易员和金融机构都有重大影响，而 NVIDIA 作为 AI 革命中的重要角色，在各个领域推动创新，因此我们选择了 NVIDIA 作为我们研究的对象。
- 基于人工市场模拟的深度对冲实证分析
深度对冲是一种利用深度学习来逼近最优对冲策略的方法，本研究提出了一种在深度对冲中使用人工市场模拟的新方法，可达到与传统方法几乎相同的效果，且无需使用数学金融模型。
- 货币交易中的长短期记忆模式识别
本研究通过 Richard D. Wyckoff 在 20 世纪初设计的 Wyckoff 阶段框架，深入分析金融市场的研究。重点研究了 Wyckoff 框架中的积累模式，探讨了交易范围和次级测试的阶段，阐明了它们在理解市场动态和发现潜在交易 - DeepTraderX: 用深度学习在多线程市场模拟中挑战传统交易策略
DeepTraderX（DTX）是一种简单的基于深度学习的交易机器人，通过观察其他策略产生的价格，以及利用历史的 Level-2 市场数据，成功地将市场数据映射到报价并放置资产的买卖单，其结果经过统计分析验证，显示了简单模型的高效性，强调潜 - 多重收益曲线建模和预测的深度学习
通过结合自注意力机制和非参数分位回归，该论文介绍了能同时描述多个收益率曲线动态的深度学习模型，用于学习金融市场全球化导致的不同收益率曲线之间的依赖结构，并利用此结构产生更准确的预测。通过避免多个分位回归模型中的分位数交叉问题，我们的模型生成 - 一种新的决策集成框架：用于股票价格预测的定制化注意力 - BiLSTM 和 XGBoost
提出了一个新的框架 CAB-XDE，用于预测比特币 BTC-USD 的每日收盘价，该框架整合了自定义的双向长短期记忆网络 (BiLSTM)、注意力机制和 XGBoost 算法，效果优于现有模型，指标包括 MAPE 为 0.0037、MAE - 噪音金融数据的保守预测
金融市场的价格波动被认为非常嘈杂，为减少风险并提高结果，我们采用了基于机器学习算法的模型集成方法，通过学习一系列模型并在测试时对数据进行修剪，预测固定期限收益。这种方法有望在更低的风险水平下获得更好的整体回报。
- 基于生成式人工智能的端到端限价订单簿建模：使用深度状态空间网络的消息流令牌级自回归生成模型
开发一种生成真实订单流的生成模型是一个具有挑战性的开放性问题，该研究在金融市场参与者中有许多应用。
- 全球金融市场中的图神经网络与非广义熵异常检测
本研究使用图神经网络和非广义熵在全球金融市场中探测异常，研究发现高度相关资产的复杂结构在危机中减少，并且在危机前、中和后，非广义熵参数下的异常数目存在统计差异。
- 神经网络能够检测无模型静态套利策略
本文论证了神经网络可以从理论上和数值上检测到模型无关的静态套利机会，从而适用于高交易证券的金融市场，并确保几乎立即执行相应的交易策略。
- 基于神经 RDE 模型求解路径相关偏微分方程
本文提出了一种基于神经粗糙微分方程（NRDE）模型来学习路径相关部分微分方程（PPDE），该模型通过对数签名特征有效地编码路径信息并捕捉基本动态，在 PPDE 解的连续时间模型中提供了内存使用效率和处理维度扩展性的优点，并通过多个数值实验验 - ACL万亿美元的话语：一个新的金融数据集、任务和市场分析
本研究通过构建 FOMC 讲话、会议记录和新闻发布会文本的最大化标记数据集，研究了货币政策如何影响金融市场；发展了新的鹰派和鸽派分类任务，并在所提出的数据集上进行了基准测试；使用 RoBERTa-large 最佳模型构建了 FOMC 文件发 - 滞后多因子模型中引导滞后关系的鲁棒探测
本文针对多元时间序列系统，提出了一种基于聚类的方法，利用滑动窗口的方式从输入数据中提取子序列时间序列，并采用各种聚类技术和包括非线性在内的多种相似性度量方法，从而稳健地检测出如金融市场和环境数据等不同领域中的时序数据中的先导关系。
- 股票运动预测的时空变换器
提出了一种新颖的使用空间时间转换器 - LSTM 模型的 STST 方法来预测股票涨跌，该模型在 ACL18 和 KDD17 数据集上分别获得了 63.707％和 56.879％的准确率，并用于模拟交易，获得了不低于 S＆P500 股票指数 - FOMC 会议记录分析：语言模型的准确性与约束
本文分析 FOMC 官方声明中的语言以获取对金融市场和经济预测的影响，结果表明，FOMC 小心避免表达情绪；使用 VADER，FinBERT 和 GPT-4 等先进的语言建模技术。FinBERT 能够更准确地预测负面情绪，但是分析强调了使用 - 使用深度 Q 学习进行量化交易
本文探讨了强化学习在量化交易中的应用，并提出了一个基于强化学习的交易算法案例研究。结果表明，强化学习可以成为量化交易的强有力工具，有潜力胜过传统的交易算法。强化学习在量化交易中的应用代表了一个有前途的研究领域，未来的工作可以探索使用其他强化 - K-SHAP: 基于策略聚类的匿名状态 - 动作对算法
本文提出一种名为 K-SHAP 的策略聚类算法，可从匿名的环境状态 - 动作对中学习代理策略，涉及观测数据、多智能体系统、金融市场等多个领域。
- 利用人工智能对金融市场覆盖率进行表征
本文研究了 4900 多个 YouTube 视频数据库，以表征金融市场报道。我们使用 OpenAI 的语音转文本模型 Whisper，通过自然语言处理技术从市场报道视频中提取洞察力，同时研究趋势话题的突出存在及其随时间的演变，了解某些个人和 - AAAI基于神经符号元强化学习的交易模型
本文探讨了在存在概念漂移的情况下，使用元强化学习来进行短期金融交易，并提出了使用逻辑程序归纳来发现价格序列中经常出现的符号模式，以提高元强化学习算法的性能。通过对真实数据的实验，我们发现元强化学习算法比传统的强化学习算法表现更好，并且通过学 - KDD基于分层 Reformer 模型的金融监管申报文献中的物料信息发现
通过深度学习模型，分析加拿大金融规定文件数据集（SEDAR），预测交易量变化，探究金融市场行为，并发现模型能够在不需要显式训练的情况下，探测到重要信息的指示。