知识库

本文开发了一种自回归模型，用于生成经过词元化的限价订单簿消息，再由模拟器据此更新订单簿状态。其架构采用简化的结构化状态空间层，处理长消息序列和状态序列。作者还为LOBSTER数据中的NASDAQ订单消息创建了词元器，将连续数字分组成词元。…

本研究应用函数型主成分分析（FPCA）预测日内比特币收益函数。研究引入卡鲁南—洛厄动态因子模型，将函数型观测与离散时间动态联系起来，并提出适用于持续运行市场的滚动FPCA方法。预测使用按小时和15分钟采样的收益。研究还考虑条件异方差，发现纳入方差变化可改善未来收益函数的区间预测。…

本文介绍 XGB-Chiarella，这是一种校准扩展型 Chiarella 代理人市场模型的方法，旨在再现日内价格行为。模拟市场包含基本面交易者、动量交易者和噪声交易者。该方法不采用原始的期望最大化方法估计模型参数，而是使用 XGBoost 代理模型，高效近似代理人市场模拟。…

QuantNet 是一种用于构建跨多个股票市场交易策略的学习架构。每个市场都有自己的编码器和解码器：编码器表示本地市场数据，共享的全局模型处理跨市场信息，解码器则结合本地和全局信号，生成针对特定市场的策略。该设计旨在捕捉可迁移模式，同时让每个市场的模型适应自身特征。 论文使用涵盖 3,103 项资产、横跨 58…

本文将高频订单流建模为日内价格变化的来源，并使用序列生成对抗网络生成合成订单序列。研究利用这些序列模拟价格路径，再将生成的行为与真实市场数据进行比较。研究以量化金融中的参数模型作为基准，并在抽样随机订单流路径前分别拟合两个模型。…

本文介绍 Agent Market Arena，这是一个持续运行的实时基准，用于评估大型语言模型交易智能体在加密货币和股票市场中的表现。该框架结合经过验证的交易数据、经专家核验的新闻和多种智能体设计，旨在实盘条件下比较各系统。其研究动机是，先前评估往往只涵盖有限的资产或时期、测试模型而非完整智能体，或依赖未经独立验证的数据。…

本研究考察协同进行的加密货币拉高出货活动，包括一项案例研究，以及对特定时期内通过 Telegram 频道组织的事件进行调查。研究寻找与这些操作相关的市场模式，并建立模型，估计事件发生前哪些上市代币可能被拉高。作者将这项工作定位为对市场操纵交易的实证分析，以及机器学习在检测中的应用。 论文报告称，该模型具有较高的精确率和稳健性，并测试了基于其预测的简单交易策略。报告的实证测试发现，在约两个半月内，小额散户投资的回报最高可达…

本文介绍一项后续研究，探讨如何使用机器学习预测股票期权走势，并将预测结果用于交易。研究考察了循环神经网络和长短期记忆网络，并评估组合多个模型是否有助于改善决策。研究还采用了摘要中列为预测方法之一的准可逆方法。 在交易部分，论文介绍了两种策略及模拟投资结果。研究使用离散时间随机二项式资产定价模型和投资组合对冲来估算投资结果。摘要称分析依据历史数据，但未提供数据集、评估设计、具体结果的细节，也未说明模拟是否考虑交易成本和市场条件变化。因此，其主张描述的是一种研究方法和模拟，而非实盘交易表现的证据。

本文研究基于非股票资产构建的策略能否分散与标普 500 相关的算法投资策略。研究比较了由 LSTM 预测、ARIMA-GARCH 预测、动量规则和反向规则生成的信号。考察的资产包括能源商品、贵金属、加密货币和软商品。这使分散化问题从组合单个资产转向组合交易这些资产的策略。 研究使用 2004 至 2022 的数据，报告称基于 LSTM 的策略表现优于其他方法，且基于比特币的策略对标普 500 策略组合的分散效果最强。研究还考察了小时级 LSTM…

本文提出一个实验框架，用于检验大型语言模型能否从中文财经新闻中提取有用的情绪信号。研究将三种模型应用于公司相关新闻摘要，这些模型分别代表了提升模型性能的不同方法。研究将得到的情绪指标视为候选量化因子，把文本分析与投资组合决策联系起来，而不只是评估语言输出本身。…

本文研究横截面系统化投资组合中的资产排序环节。文章认为，简单启发式方法以及按传统回归或分类模型的预测结果排序，可能并非最优，并以信息检索中的排序任务作类比。所提出的框架使用学习排序算法，学习金融工具之间成对和列表层面的关系，旨在改进提供给投资组合构建环节的排序。…

本文探讨将强化学习用于高频交易中的统计套利。文章描述了智能体如何通过与交易环境互动进行学习，并重点介绍深度Q学习如何调整决策以应对短暂的市场机会。讨论还包括探索与利用之间的权衡，以及在行为随时间变化的金融市场中进行学习的难点。…

本文介绍一个深度学习框架，用于识别配对交易中资产间随时间变化的关系。多模态时序关系图学习将时间序列观测与离散特征结合到时序图中。随后，基于记忆的时序图神经网络将寻找相关实体的任务视为时序链接预测，旨在为自动化配对选择提供依据。 作者报告了在真实数据集上的实验，并称该框架优于其他方法，但本文未说明数据集、基准、评估指标或交易成本。文中也未说明预测链接如何转化为入场和出场规则、如何管理由此形成的投资组合，或样本外表现能否持续。因此，这段描述概述了一种建模方法及其声称的实证潜力，但证据不足以判断它是否能构成可部署的策略。

本文提出一种用于贝叶斯协整向量自回归模型的自适应矩阵变量马尔可夫链蒙特卡洛方法。该方法以自动化的自适应 Metropolis 方法取代分组 Gibbs 抽样，旨在使具有相关参数块的高维系统也能进行实际可行的后验估计。模型的协整秩也被视为未知，从而可通过贝叶斯后验和贝叶斯因子分析联合推断秩与模型参数。 作者通过一个十变量模型展示该方法，其后验参数维度达到…

本研究将配对交易框架应用于波兰股票：通过风险因子构建复制组合与某项资产进行比较，而非将其与另一项高度相关资产配对。研究使用主成分分析、交易所交易基金或长短期记忆网络构建因子，再用奥恩斯坦—乌伦贝克过程对由此得到的残差建模。对于残差回归速度足够快的投资组合，研究生成交易信号。实施使用波兰指数成分股和当地市场假设，包括无风险利率和交易成本。…

本文介绍一种旨在捕捉上市公司之间动量溢出的股票走势预测方法。该方法构建市场知识图谱，包含公司和高管两类实体，并结合两者之间的显式关系和隐式联系。 一种名为DanSmp的双重注意力网络利用该图谱学习溢出信号，以预测股票走势。文档报告称，该方法在构建的数据集上与九种基准方法进行了实证比较，并改善了预测效果。文档没有提供数据集细节、具体表现指标、交易成本或实盘部署信息，因此报告的预测增益并不能证明该方法能够产生盈利交易。

该方法检测包含多个市场风险因子的金融时间序列中的异常值，因为受污染的观测值可能扭曲风险模型及其计算结果。方法首先使用主成分分析压缩并重构时间序列数据，提取能够代表序列的特征。随后，前馈神经网络生成异常分数，并将高于阈值的观测值标记出来。…

本文提出RADAR，一种检索增强扩散框架，用于学习随机贴现因子框架下投资组合优化所需的市场状态表示。其动机是市场会在不同状态之间转换，价格和新闻等金融输入存在噪声，而传统扩散模型可能施加均匀的高斯噪声，无法反映不同状态下的不确定性变化。…

尾部GAN是一种数据驱动的情景生成器，旨在模拟高维多资产投资组合中逼真的联合价格动态，重点关注分布尾部的损失。它利用风险价值和预期损失的联合可陈述性训练生成对抗网络，以保留这些风险特征。其预期用途包括在模拟市场情景下评估静态和动态交易策略。…

本文将监督式机器学习用于财报公告后漂移（PEAD），这是一种财务公告后收益继续变动的股票异常现象。模型使用XGBoost，以及基于1997至2018年间1,106家罗素1000指数公司季度公告数据构建的基本面和技术面特征。研究采用遗传算法优化模型，并分析漂移方向及其驱动因素如何随行业板块和日历季度变化。…

本研究使用US股票报价和成交的高频数据库，通过深度学习建模订单簿供需与后续价格变化之间的关系。研究根据价格和订单流历史数据预测价格变动方向，并评估模型在不同股票和时期的表现。模型使用多只股票的数据共同训练，而非针对每种资产分别训练。…

本文提出一种用于美国批发电力市场虚拟竞价的风险约束投资组合优化方法。研究利用市场出清所产生的依赖关系，通过循环神经网络预测小时之间的节点边际电价价差。受约束的梯度提升树则对净虚拟报价如何影响价差建模，使策略能够考虑自身头寸可能产生的价格影响。 针对 PJM、ISO-NE 和 CAISO 的实证分析发现，明确对价格敏感度建模的投资组合表现优于忽略该因素的组合。论文还报告称，三个市场的夏普比率均高于标普 500，并发现 CAISO 的双结算系统效率低于 PJM 和…

本文提出一种用于天然气期货交易的实用深度强化学习方法。研究报告称，该策略的夏普比率高于趋势跟随和均值回归基准，也高于既有文献中的结果。研究还提出一种集成方法，旨在提高模型的稳定性和稳健性，从而改善交易表现。 据报告，该集成方法降低了换手率，进而减少交易成本。论文还讨论可解释性、交易频率和风险指标，提供了核心收益以外的背景信息。摘要未提供具体夏普值、评估期间、数据或验证设计、成本假设，以及解释方法的细节。因此，报告的比较只是对研究评估结果的陈述，本身无法确立样本外或实盘交易表现。

本文介绍一个深度 LSTM模型和一套用于四个 US股票指数的交易策略。该策略并非只根据模型预测涨跌方向进行交易，而是利用每个预测收益在预测分布中的位置估算交易盈利能力。模型针对策略的交易目标进行调优，说明预测质量和交易规则需要结合考虑。 报告的测试涵盖 2010至2018期间的标普 500、DJIA、NASDAQ 和罗素…