知识库

论文提出一种系统化投资方法，旨在通过一系列短期ETF买入决策实现较长期的财富积累。该方法将进化算法与深度学习模型结合，以改进相较于传统每日定投的投入时机。其目标是随着时间调整买入决策，而不是在每个预定日期都采用相同的投资方式。…

StockGPT 将每日股票收益视为数字词元序列，并训练自回归模型预测未来收益。其注意力机制旨在直接从收益历史中学习时间模式，无需手动指定传统的价格信号。论文使用每日或每月再平衡的多空投资组合评估预测结果。…

本文介绍一种实证方法，通过向前求解 Black–Scholes 方程来预测期权价格。由于该问题不适定，方法采用正则化；研究提出了关于唯一性、稳定性和收敛性的定理。研究使用单个期权的历史数据，实证分析涵盖大量期权和 Russell 2000 指数。 作者报告称，将该方法与交易策略结合后，利润高于简单外推；对计算所得极小值应用机器学习，通过过滤交易进一步提高了盈利能力。证据来自针对这一特定历史期权样本的实验。本文在此未提供交易成本、样本外稳健性、风险或具体交易规则的细节，因此所报告的盈利能力不应被视为实盘表现的证明。

本研究将去中心化借贷协议合约建模为期权：借款人相当于期权买方，贷款人相当于卖方，贷款价值比则有助于确定权利金。研究使用无套利定价理论分析合约价值，并报告称，在没有市场摩擦或借贷利率差的情况下，最优选择永远是不进入合约。随后，分析纳入利率差和交易成本，这些条件会改变实际定价和对冲问题。…

本研究检验深度强化学习能否在易于描述但数学上具有挑战性的环境中求得最优交易策略。作者重点研究深度确定性策略梯度，这是一种通过与环境交互来学习行动选择策略的方法。他们选择了最优策略已知或近似已知的场景，因此可以将学习到的行为和奖励与参考解进行比较。…

本文介绍一种数据驱动方法，用于寻找在市场模型不确定的情况下仍力求保持盈利的统计套利策略。该方法使用深度神经网络同时考察多种证券，无需先识别协整配对。这使方法可以扩展到更高维的市场，以及传统配对交易可能效果不佳的情形。 该方法还根据观测到的市场数据构建一组可能的概率测度，以表示模型的不确定性。作者将这一方法称为无模型方法。他们报告了维度最高达 50…

本文通过大规模基于智能体的模拟，考察哪些交易风格能在嘈杂市场中持续。其 MAS-乌托邦模型包含 10,000 个智能体，分为五种原型，并使用五年的高频数据。模拟设定假定不存在交易摩擦，并向智能体提供无条件基本收入。在这些条件下，顺应市场方向的趋势跟踪智能体长期表现优于逆势交易的均值回归智能体。 作者称，这一结果促使他们构建一个由 LLM…

本文研究资本利得税和已实现亏损带来的税收优惠如何影响股票交易决策。研究提出在强化学习环境中使用平均税务成本基础，使智能体能够学习计入税务因素和忽略税务因素的策略。核心启示是，税务处理可能改变交易的首选时机和标的选择，因此优化连续股票交易时，直接对税务建模可能很重要。…

CTBench是一项用于评估加密货币合成时间序列的基准测试，其设计考虑了市场持续交易、高波动率和状态快速变化等特点。该基准汇集了452种代币的数据，在四种市场状态下评估八种有代表性的生成模型。其13项指标涵盖预测准确度、横截面排名、交易结果、风险和计算成本。…

本文研究信号服从均值回复Ornstein-Uhlenbeck过程且参数随隐藏状态变化时的最优交易。研究将循环神经网络与强化学习结合起来，根据观测推断信号的潜在均值、回复速度和波动率等信息，再利用这些信息指导交易。…

本文将订单流数据快照编码为图像，以预测比特币短期已实现波动率。研究将交易规模、方向和限价订单簿信息映射至颜色通道，再用于训练三层卷积神经网络、ResNet-18和ConvMixer。研究还测试加入人工构造特征，并将基于图像的模型与GARCH、在原始数据上训练的多层感知机以及基于当前波动率的朴素预测进行比较。…

本研究比较了十三种统计和机器学习模型，用于识别比特币限价订单簿数据中的异常观测值。研究在统一框架中评估这些模型，旨在实现实时异常检测，并可能用于分析操纵性交易行为。据报告，表现最强的模型是经验协方差；研究称，该模型在回测中优于买入并持有基准。 证据来自某大型交易所的26,204条记录。作者讨论了模型复杂度、交易频率和表现之间的权衡，并将异常值检测视为交易和风险管理的潜在输入。文段很少提及数据时段、交易成本、基准构建、模型设定或验证流程，因此不应假定所报告的收益能推广到其他交易场所或市场环境。

该研究模拟一个完全由自主强化学习交易者构成的限价订单簿。研究使用微观订单撮合引擎，考察智能体之间的互动如何影响总体订单流和市场冲击。模型找出了有序价格发现与高波动级联状态之间的边界，这些状态与智能体数量和可观测市场深度有关。…

本文介绍 CryptoTrade，这是一种基于大型语言模型构建的加密货币交易智能体。其方法结合链上信息（作者认为这类信息透明且不可篡改）和新闻等链下信号，后者可以提供及时背景。反思机制会回顾早前决策的结果，为智能体每日交易决策提供参考，使其能够纳入交易反馈，而不只依赖传统时间序列基准。 作者报告了涵盖多种加密货币和市场状况的实验，并声称 CryptoTrade…

本研究考察深度对冲头寸与 Delta 对冲头寸之间的差异是否可能构成统计套利。研究以一个基于完备市场假设得出的既有结论为出发点，并考察在偏离这些动态特征的GARCH市场模型中，类似结论是否仍然成立。 报告的结果取决于深度对冲优化所用的风险度量。如果该度量对不利结果的权重不足，深度对冲与 Delta…

DeepUnifiedMom 是一种投资组合构建框架，将多个时间跨度的时间序列动量信号结合起来。它采用多任务学习和多门控专家混合架构构建统一投资组合，旨在捕捉较窄时间框架的策略可能遗漏的动量行为。 文档报告了涵盖股票指数、固定收益、外汇和大宗商品的回测，并称该框架扣除交易成本后优于基准模型。所提供的描述没有具体表现数据、基准定义、样本期或风险控制细节。因此难以评估其稳健性、对常见动量风险的敞口或实盘交易可行性；报告的结果应视为回测主张，而非未来收益的证据。

本文研究统计套利信号来自导致价格跳跃和扩散的隐藏因子时，如何实现最优交易。交易者的订单也可能影响报价和成交价，因此该问题同时包含不确定的市场状态和交易者自身的价格冲击。所提方法跟踪潜在状态的后验分布，并据此明确求解交易问题。验证定理为解提供支持，而期望最大化算法的一个变体则用于校准模型。…

本研究考察在 Xetra 和 Nasdaq Stockholm 上市的比特币和以太坊交易所交易产品的日内异常，使用从2024年1月至2025年12月的一分钟 K 线。基准方法通过对左尾超额拟合广义帕累托分布来识别极端负收益。作者又加入三个二元指标：不同交易场所间的价格偏离、之后十个活跃 K 线内几乎没有恢复的极端下跌，以及发生在短期正向动量之后的极端下跌。 每类异常所占 K 线比例均低于1%。Mann-Whitney U 检验发现，与普通 K…

本文概述一种拟议的高频股票交易算法，使用神经网络预测生成买卖信号。研究比较三种方法：使用交叉熵损失和拟牛顿法优化的逻辑回归、全连接神经网络以及支持向量机。文中给出的理由是，神经网络能够提取股票数据特征并进行分类，而支持向量方法则将观测映射到更高维空间进行分类。…

该框架解决了合成期权生成中的循环问题：隐含波动率通常根据观察到的期权价格推断，但合成价格又需要以隐含波动率为输入。框架首先使用跳跃隐马尔可夫模型生成多资产股票路径，然后通过改进的Heston方差过程推导隐含波动率路径。方差目标会随状态、到期时间、虚实值程度和市场情绪指标变化。随后使用可重组二叉树格为美式期权定价，并按行权价和到期日分别初始化，旨在无需外部校准即可生成波动率微笑、偏斜和期限结构。…

该研究考察新闻和社交媒体文本与金融及区块链数据结合后，能否改善比特币和以太坊价格预测。研究比较了预训练和微调语言模型与基于词典的情绪分析方法，并使用BART MNLI零样本分类识别看涨或看跌内容。预测目标包括局部价格极值和日度走势；选择这些目标旨在降低交易频率和投资组合波动。…

本文介绍KBPT这一配对交易策略，它结合了卡尔曼滤波器、布林带信号和基于KalmanNet架构的神经网络。传统方法将两种资产之间的关系建模为带有高斯噪声的线性状态空间过程。由于该模型可能只能近似描述资产对的行为，由此产生的指标和交易可能并不可靠。KBPT则采用扩展状态空间模型，允许部分协整，并通过学习改进跟踪过程。…

本文介绍一种端到端机器学习方法，可将期权市场数据直接映射为交易信号。与指定市场动态或依赖期权定价模型的方法不同，该方法训练模型学习观测数据与交易决策之间的关系。它还采用换手率正则化，以考虑交易活动及其成本。 报告的回测覆盖了标准普尔100成分股期权、时间跨度超过十年。作者报告称，相比基于规则的策略，该方法取得了更好的风险调整后表现；在交易成本极高时，换手率正则化还带来进一步提升。摘要未提供模型细节、表现数据或验证设计信息，因此仅凭此描述无法评估结果的可信度及实际适用范围。

本文介绍将深度强化学习用于均值回归交易问题。其目标是让实践者更容易使用近期的强化学习方法，否则他们可能需要在众多方法中作出选择，或从经典基础开始构建智能体。文中演示使用一个最初为策略游戏开发的强化学习库，并将其用于金融决策。 该框架还纳入了具有经济学动机的函数性质，目标是得到收敛且表现出色的解。不过，本文没有给出具体模型架构、奖励设计、交易规则、数据、基准或数值结果。因此，文中概述的是方法及其动机，证据不足以评估盈利能力、稳健性或相对于其他方法的表现。本段中关于收敛性和表现的主张没有实验细节支持。