摘要：ACM ICAIF（ International Conference on AI in Finance ）是由美国计算机学会（ACM）和 J.P. Morgan联手创办，金融和人工智能交叉领域的学术会议。本文介绍了ICAIF 2024 中收录的几篇量化交易相
ACM ICAIF（ International Conference on AI in Finance ）是由美国计算机学会（ACM）和 J.P. Morgan联手创办，金融和人工智能交叉领域的学术会议。本文介绍了ICAIF 2024 中收录的几篇量化交易相关的论文。
论文标题：
A Financial Time Series Denoiser Based on Diffusion Models
作者单位：
伦敦大学国王学院论文链接：
研究内容：
金融时间序列通常表现出较低的信噪比，这给准确的数据解释、预测以及最终的决策带来了重大挑战。生成模型因其能够有效模拟和预测复杂的数据模式而受到关注，其中扩散模型被认为是特别有效的方法。本文介绍了一种新颖的利用扩散模型作为金融时间序列去噪器的方法，以提高数据的可预测性和交易性能。通过利用条件扩散模型的正向和反向过程，逐步添加和去除噪声，从而重构原始数据。文中广泛实验表明，基于扩散模型的去噪时间序列显著提升了下游未来收益分类任务的表现。此外，从去噪数据中导出的交易信号可带来更有利可图的交易，同时减少交易次数，从而降低交易成本，提高整体交易效率。最后，通过使用在去噪时间序列上训练的分类器，展示了如何识别市场的噪声，进而获得超额收益。
降噪后的数据
论文标题：
Dynamic Reinforced Ensemble using Bayesian Optimization for Stock Trading
印度理工学院论文链接：
研究内容：
在自动化股票交易领域，深度强化学习（DRL）技术因其通过持续试错学习最优交易策略的固有能力而变得极为有效。然而，单一的DRL代理缺乏适应复杂和不断变化的市场动态的灵活性，导致使用次优策略。本文提出了一种基于贝叶斯优化的动态集成方法，利用各种无模型的DRL算法进行多股票交易。该集成方法通过利用多种模型的策略来增强决策能力，同时减轻过拟合风险。所提模型利用历史数据计算动态时间变化权重的集成，并采用贝叶斯优化进行超参数调优。文中提出方法的有效性通过评估全球两个股票市场指数：来自美国的道琼斯指数和来自印度的孟买证券交易所得以确认。实证结果表明，所提方法在考虑风险和收益衡量标准的情况下，优于市场指数和其他基准交易策略。文中的集成方法展现出了在修正后快速恢复的情况下以较低风险实现更高利润的能力。
模型框架
论文标题：
Stock Recommendations for Individual Investors: A Temporal Graph Network Approach with Mean-Variance Efficient Sampling
作者单位：
蔚山科学技术研究所
论文链接：
研究内容：
推荐系统在帮助个人投资者在复杂的金融市场中做出明智决策方面具有重要作用。然而，尽管已有许多研究关注于股票价格预测，即使是最先进的模型在准确性上仍然存在局限性。此外，研究表明，个人投资者往往偏离成熟的投资理论，更倾向于遵循个人偏好，这为股票推荐系统带来了挑战。有效的股票推荐系统需要同时考虑以下三个关键因素：(1) 个人投资偏好，(2) 组合多样化，(3) 这两者随时间的动态变化。针对这一问题，作者提出了一种新模型——组合时间图网络推荐系统（PfoTGNRec），该模型能够处理随时间变化的协作信号，并结合增强多样化的采样方法。在真实的个人交易数据上，该模型的表现优于最先进的基线模型，包括最新的动态嵌入模型和现有的股票推荐模型。研究表明，PfoTGNRec 能够在满足用户投资偏好的同时，推荐具有较高投资回报的股票组合，为个人投资者提供有效的股票推荐解决方案。
模型框架
论文标题：
Stock Index Forecasting Using an Explainable TAFT Model with Online Data-Driven Social Sentiment Index
论文链接：
研究内容：
金融指数预测面临重大挑战，这是由于金融时间序列数据固有的非线性、噪声和混乱特性。为了解决这些挑战，本研究提出了一种结合社会情绪分析与先进深度学习模型的新方法。具体而言，研究者利用 FinBERT 对 Investing.com 上的在线文章数据进行情绪分析，构建了社会情绪指数（SSI）。此外，研究设计了一种目标-辅助融合Transformer（TAFT），将 SSI 作为辅助特征与其他金融指标相结合。该模型能够比传统时间序列方法更有效地捕捉金融数据中的长期依赖关系和复杂模式。 通过 SSI 的引入，该模型能够捕捉社会情绪对金融市场的影响，从而提供更全面和准确的预测框架。此外，TAFT 在训练和测试过程中都引入了动态注意力机制，提高了辅助输入特征相对重要性的可解释性。实证研究表明，纳入 SSI 显著提高了金融预测模型的准确性。TAFT 在 S&P 500 指数预测中相较于表现最佳的基准模型，其平均绝对误差（MAE）降低了 33.3%。此外，在分类任务中，该模型的准确率为 0.71，精确率为 0.74，召回率为 0.64，F1 值为 0.63。这一研究为投资者、分析师和投资组合管理者提供了有价值的洞见，证明了将情绪分析与先进时间序列模型结合在一起可以有效提升金融决策的质量。
模型框架
论文标题：
FinLlama: LLM-Based Financial Sentiment Analysis for Algorithmic Trading
作者单位：
帝国理工学院
论文链接：
研究内容：
在线金融新闻对市场动态和交易决策具有深远影响。传统的情绪分析方法通常采用词典驱动的方法来辅助金融决策，但其在上下文敏感性和词序理解方面存在不足。同时，大语言模型（LLM）虽然具备强大的自然语言处理能力，但缺乏金融领域的专门训练，并且计算资源需求较高。为此，作者提出了一种金融领域特定的大语言模型框架——FinLlama，该模型基于 Llama 27B 预训练模型，充分利用其生成式能力和语言操控优势。FinLlama 采用生成-判别架构，不仅可以对金融新闻情绪进行分类（正面、负面、中性），还能量化情绪强度，从而提供更细粒度的市场情绪信息。该模型通过在监督金融情绪分析数据集上的微调，使其能够精准处理金融词汇及其上下文。同时，采用基于神经网络的决策机制，并通过参数高效微调（PEFT） 和 LoRA 8-bit 量化技术，显著降低计算资源需求，而不会牺牲准确性。实验结果表明，FinLlama 在投资组合管理中的应用能够提升市场回报，即使在市场波动期间仍能构建高回报且稳健的投资组合。与现有方法相比，FinLlama 在金融情绪分析上的表现更为优越，并显著提高了量化交易策略的有效性。
情感分析框架
来源：山之出云