對(duì)比普通的交易方式，量化交易具有高效性、穩(wěn)定性以及強(qiáng)風(fēng)險(xiǎn)控制能力，因此，量化交易在金融領(lǐng)域中已經(jīng)得到了廣泛的應(yīng)用，目前已有許多大型投資機(jī)構(gòu)和對(duì)沖基金將量化交易列為其投資組合的重要部分。

本次分享的是學(xué)姐從各大頂會(huì)中精選出的12篇量化交易論文，幫助同學(xué)們了解量化交易領(lǐng)域最新的研究方向與技術(shù)成果，快速獲得idea沖下一篇頂會(huì)。

掃碼添加小享，回復(fù)“量化論文”??

免費(fèi)獲取全部論文+代碼合集

1、Mastering Stock Markets with Efficient Mixture of Diversified Trading Experts

標(biāo)題：以多樣化交易專(zhuān)家的高效組合掌握股市

內(nèi)容：本文提出了一個(gè)名為 AlphaMix 的混合專(zhuān)家框架，通過(guò)模仿成功交易公司的分層交易策略設(shè)計(jì)流程，實(shí)現(xiàn)了量化投資決策。該方法通過(guò)訓(xùn)練多組個(gè)性化的交易專(zhuān)家組成投資建議池，并設(shè)計(jì)了動(dòng)態(tài)專(zhuān)家選擇機(jī)制，模擬投資組合管理者的作用，實(shí)現(xiàn)了超過(guò)多種基準(zhǔn)的投資表現(xiàn)。

2、Generating Synergistic Formulaic Alpha Collections via Reinforcement Learning

標(biāo)題：通過(guò)強(qiáng)化學(xué)習(xí)生成協(xié)同公式化阿爾法組合

內(nèi)容：本文提出一個(gè)新的α因子挖掘框架，通過(guò)強(qiáng)化學(xué)習(xí)方法直接優(yōu)化生成的α因子組對(duì)下游組合模型的協(xié)同效應(yīng)，而不是傳統(tǒng)逐個(gè)分離挖掘α因子的方式。該框架可以有效地在大規(guī)模的α因子搜索空間中探索，返回的α因子質(zhì)量反饋到強(qiáng)化學(xué)習(xí)的reward，驅(qū)動(dòng)α因子生成器產(chǎn)生與當(dāng)前α因子組協(xié)同效果更好的新α因子。在股市數(shù)據(jù)集上的實(shí)驗(yàn)表明，該方法可以產(chǎn)生比之前方法更高的投資收益。

3、Learning Multi-Agent Intention-Aware Communication for Optimal Multi-Order Execution in Finance

標(biāo)題：學(xué)習(xí)金融領(lǐng)域中用于最優(yōu)多訂單執(zhí)行的意圖感知多代理通信

內(nèi)容：本文研究了一個(gè)多代理強(qiáng)化學(xué)習(xí)方法，用于金融市場(chǎng)中同時(shí)執(zhí)行多個(gè)訂單的任務(wù)。其中每個(gè)代理負(fù)責(zé)執(zhí)行一個(gè)訂單，代理之間通過(guò)通信協(xié)調(diào)配合，以最大化整體收益。為更好地協(xié)作，本文提出了一個(gè)可學(xué)習(xí)的多輪通信協(xié)議，代理之間交換執(zhí)行訂單的意圖，并相應(yīng)地調(diào)整自己的策略。還設(shè)計(jì)了一個(gè)行動(dòng)價(jià)值歸因方法，可以保證與原目標(biāo)一致的同時(shí)提高學(xué)習(xí)效率。在兩個(gè)真實(shí)市場(chǎng)數(shù)據(jù)集上的實(shí)驗(yàn)表明，該方法可以實(shí)現(xiàn)協(xié)作效果顯著提升，執(zhí)行多個(gè)訂單時(shí)達(dá)到更優(yōu)的效果。

4、DoubleAdapt: A Meta-learning Approach to Incremental Learning for Stock Trend Forecasting

標(biāo)題：DoubleAdapt：一種用于股市趨勢(shì)預(yù)測(cè)的增量學(xué)習(xí)的元學(xué)習(xí)方法

內(nèi)容：作者提出了DoubleAdapt，這是一個(gè)端到端的框架，具有兩個(gè)適配器，可以有效適配數(shù)據(jù)和模型以減輕分布變化的影響。作者的關(guān)鍵洞見(jiàn)是自動(dòng)學(xué)習(xí)如何將股票數(shù)據(jù)適配為有利于增益更新的局部穩(wěn)定分布。在數(shù)據(jù)適配的補(bǔ)充下，作者可以在被緩解的分布變化下自信地適配模型參數(shù)。作者將每個(gè)增量學(xué)習(xí)任務(wù)轉(zhuǎn)換為一個(gè)元學(xué)習(xí)任務(wù)，并自動(dòng)優(yōu)化適配器以實(shí)現(xiàn)期望的數(shù)據(jù)適配和參數(shù)初始化。在真實(shí)股票數(shù)據(jù)集上的實(shí)驗(yàn)表明，DoubleAdapt實(shí)現(xiàn)了最先進(jìn)的預(yù)測(cè)性能，并顯示出可觀的效率。

5、Financial Time Series Forecasting using CNN and Transformer

標(biāo)題：使用CNN和Transformer進(jìn)行金融時(shí)間序列預(yù)測(cè)

內(nèi)容：時(shí)間序列預(yù)測(cè)在各個(gè)領(lǐng)域的決策中都很重要。特別是股票價(jià)格等金融時(shí)間序列很難預(yù)測(cè)，因?yàn)楹茈y建模數(shù)據(jù)點(diǎn)之間的短期和長(zhǎng)期時(shí)間依賴(lài)性。卷積神經(jīng)網(wǎng)絡(luò)(CNN)善于捕獲局部模式來(lái)建模短期依賴(lài)性。但是，由于感受野有限，CNN無(wú)法學(xué)習(xí)長(zhǎng)期依賴(lài)性。另一方面，transformer能夠?qū)W習(xí)全局上下文和長(zhǎng)期依賴(lài)性。在本文中，作者提出利用CNN和transformer的力量來(lái)建模時(shí)間序列中的短期和長(zhǎng)期依賴(lài)性，并預(yù)測(cè)未來(lái)價(jià)格會(huì)上漲，下跌還是保持平穩(wěn)(平)。在實(shí)驗(yàn)中，作者證明了該方法與常用的統(tǒng)計(jì)和深度學(xué)習(xí)方法相比，在預(yù)測(cè)標(biāo)準(zhǔn)普爾500成分股的日內(nèi)股價(jià)變化方面的成功。

6、PEN: Prediction-Explanation Network to Forecast Stock Price Movement with Better Explainability

標(biāo)題：PEN：帶有更好解釋性的預(yù)測(cè)-解釋網(wǎng)絡(luò)來(lái)預(yù)測(cè)股票價(jià)格移動(dòng)

內(nèi)容：作者提出了一種新穎的預(yù)測(cè)-解釋網(wǎng)絡(luò)(PEN)框架，它通過(guò)對(duì)齊機(jī)制聯(lián)合建模文本流和價(jià)格流。PEN模型的關(guān)鍵組成部分是一個(gè)共享表示學(xué)習(xí)模塊，它通過(guò)建模文本數(shù)據(jù)和股票價(jià)格數(shù)據(jù)之間的交互來(lái)學(xué)習(xí)哪些文本可能與股票價(jià)格變動(dòng)相關(guān)，一個(gè)顯著的向量特征化了它們的相關(guān)性。通過(guò)這種方式，PEN模型能夠通過(guò)識(shí)別和利用大量消息來(lái)預(yù)測(cè)股票價(jià)格變動(dòng)，另一方面，所選的文本消息也解釋了股票價(jià)格變動(dòng)。

掃碼添加小享，回復(fù)“量化論文”??

免費(fèi)獲取全部論文+代碼合集

7、Optimal Execution via Multi-Objective Multi-Armed Bandits

標(biāo)題：通過(guò)多目標(biāo)多臂老虎機(jī)實(shí)現(xiàn)最優(yōu)執(zhí)行

內(nèi)容：當(dāng)試圖清算大量特定股票時(shí)，該股票的價(jià)格可能會(huì)受到交易的影響，從而如果我們一次性賣(mài)出全部數(shù)量，預(yù)期收益會(huì)降低。這導(dǎo)致了最優(yōu)執(zhí)行的問(wèn)題，其目的是在一段時(shí)間內(nèi)將賣(mài)出訂單拆分成幾個(gè)較小的賣(mài)出訂單，以最優(yōu)地平衡股票價(jià)格和市場(chǎng)風(fēng)險(xiǎn)。這個(gè)問(wèn)題可以用差分方程來(lái)定義。在這里，我們展示了如何將其重塑為一個(gè)多目標(biāo)問(wèn)題，我們用一種新穎的多臂老虎機(jī)算法來(lái)解決這個(gè)問(wèn)題。

8、Sequential Graph Attention Learning for Predicting Dynamic Stock Trends

標(biāo)題：用于預(yù)測(cè)動(dòng)態(tài)股票趨勢(shì)的順序圖注意力學(xué)習(xí)

內(nèi)容：股票市場(chǎng)的特點(diǎn)是公司與市場(chǎng)之間存在復(fù)雜的關(guān)系。本研究將順序圖結(jié)構(gòu)與意力機(jī)制相結(jié)合，以學(xué)習(xí)時(shí)間序列中的全局和局部信息。具體而言，作者提出的“GAT-AGNN”模塊在多個(gè)行業(yè)以及單個(gè)行業(yè)內(nèi)比較了模型性能。結(jié)果表明，在臺(tái)灣股票數(shù)據(jù)集上預(yù)測(cè)跨多個(gè)行業(yè)的股票趨勢(shì)時(shí)，所提出的框架優(yōu)于當(dāng)前最先進(jìn)的方法。

9、Know Your Transactions: Real-time and Generic Transaction Semantic Representation on Blockchain & Web3 Ecosystem

標(biāo)題：了解你的交易：在區(qū)塊鏈和Web3生態(tài)系統(tǒng)中實(shí)時(shí)和通用的交易語(yǔ)義表示

內(nèi)容：本文提出基于motif的交易語(yǔ)義表示方法(MoTS)，它可以捕獲實(shí)時(shí)交易數(shù)據(jù)流中的交易語(yǔ)義信息。據(jù)我們所知，MoTS是Web3區(qū)塊鏈生態(tài)系統(tǒng)中的第一個(gè)通用語(yǔ)義提取方法。實(shí)驗(yàn)結(jié)果表明，MoTS可以有效區(qū)分不同的交易語(yǔ)義，并可用于各種下游任務(wù)，為理解Web3區(qū)塊鏈生態(tài)系統(tǒng)提供新的見(jiàn)解。

10、Platform Behavior under Market Shocks: A Simulation Framework and Reinforcement-Learning Based Study

標(biāo)題：市場(chǎng)沖擊下的平臺(tái)行為：一個(gè)仿真框架和基于強(qiáng)化學(xué)習(xí)的研究

內(nèi)容：論文研究了經(jīng)濟(jì)平臺(tái)(如亞馬遜、Uber Eats、Instacart等)在沖擊(如新冠疫情封城)下的行為，以及不同的監(jiān)管對(duì)平臺(tái)施加的影響。為此，作者開(kāi)發(fā)了一個(gè)多智能體的平臺(tái)經(jīng)濟(jì)環(huán)境，考慮了可能發(fā)生的經(jīng)濟(jì)沖擊。買(mǎi)賣(mài)雙方被建模為經(jīng)濟(jì)驅(qū)動(dòng)的智能體，可以選擇是否支付費(fèi)用使用平臺(tái)。作者將平臺(tái)的問(wèn)題建模為部分可觀察的馬爾可夫決策過(guò)程，用深度強(qiáng)化學(xué)習(xí)模擬其收費(fèi)和匹配行為。作者考察了兩類(lèi)監(jiān)管框架：(1)稅收政策 (2)平臺(tái)收費(fèi)限制，并通過(guò)大量模擬實(shí)驗(yàn)研究了在最優(yōu)平臺(tái)響應(yīng)下的監(jiān)管權(quán)衡。結(jié)果表明，許多干預(yù)對(duì)高度智能的平臺(tái)作用不大，但固定收費(fèi)在允許平臺(tái)匹配買(mǎi)賣(mài)方的前提下，可以提高系統(tǒng)效率、賣(mài)方多樣性和恢復(fù)能力。

11、Show me your NFT and I tell you how it will perform: Multimodal representation learning for NFT selling price prediction

標(biāo)題：展示你的NFT，我告訴你它的表現(xiàn)：用于預(yù)測(cè)NFT售價(jià)的多模態(tài)表示學(xué)習(xí)

內(nèi)容：論文提出了MERLIN，這是一個(gè)新的多模態(tài)深度學(xué)習(xí)框架，用于在NFT圖像和文本集合上訓(xùn)練基于Transformer的語(yǔ)言和視覺(jué)模型，以及基于圖神經(jīng)網(wǎng)絡(luò)的模型。MERLIN的一個(gè)關(guān)鍵方面是其獨(dú)立于財(cái)務(wù)特征，因?yàn)樗焕糜脩?hù)感興趣的NFT交易的數(shù)據(jù)，即NFT圖像和文本描述。通過(guò)學(xué)習(xí)這些數(shù)據(jù)的稠密表示，MERLIN模型執(zhí)行價(jià)格-類(lèi)別分類(lèi)任務(wù)，在推理階段也可以根據(jù)用戶(hù)偏好進(jìn)行調(diào)整，以模擬不同的風(fēng)險(xiǎn)-收益投資配置文件。

12、Is your digital neighbor a reliable investment advisor?

標(biāo)題：你的數(shù)字鄰居是個(gè)可靠的投資顧問(wèn)嗎?

內(nèi)容：如今，金融建議經(jīng)常由匿名或使用化名的人在網(wǎng)上提供，他們幾乎沒(méi)有利害關(guān)系。因此，一個(gè)自然的問(wèn)題是調(diào)查這些現(xiàn)代金融“影響者”是否誠(chéng)實(shí)行事，或者他們是否故意誤導(dǎo)追隨者。為了開(kāi)始回答這個(gè)問(wèn)題，我們從一個(gè)非常大的加密貨幣衍生品交易所獲得了數(shù)據(jù)，從中我們推導(dǎo)出個(gè)人交易頭寸。該平臺(tái)上的一些投資者選擇鏈接到他們的Twitter個(gè)人資料。因此，我們能夠比較Twitter上公開(kāi)的立場(chǎng)與市場(chǎng)中實(shí)際采取的立場(chǎng)。我們發(fā)現(xiàn)：(1) Twitter上強(qiáng)硬的“看漲”投資者，當(dāng)市場(chǎng)下跌時(shí)，其實(shí)際交易中的立場(chǎng)往往更為溫和，甚至完全相反；(2) 他們的追隨者傾向于使自己的立場(chǎng)與看漲的Twitter前景保持一致；與此同時(shí)，(3) Twitter上溫和的聲音(及其追隨者)的立場(chǎng)則與他們實(shí)際的投資策略更為一致。換句話說(shuō)，盡管社交媒體的建議試圖在志同道合的人群中培養(yǎng)團(tuán)結(jié)感，但事實(shí)是這僅僅是一個(gè)幻覺(jué)，它可能導(dǎo)致盲目追隨建議的人遭受財(cái)務(wù)損失。

掃碼添加小享，回復(fù)“量化論文”??

免費(fèi)獲取全部論文+代碼合集