金融市场效率低下,价格、成交量和横截面关系模式未开发。 虽然许多方法使用大规模变压器,但我们采取以领域为中心的路径:具有策划功能的前馈和循环网络,以捕获嘈杂的财务数据中的微妙规律。 这种较小的足迹设计在低信噪比下计算精益可靠,对于大规模生产至关重要。 在Amight Alpha,我们建立了一个深度学习框架,将800多只美国股票映射到日常定向信号中,计算开销最小。 本文的目的是双重的。 首先,我们概述了预测模型的总体概述,而不披露其核心底层概念。 其次,我们通过透明的行业标准指标评估其实时性能。 预测准确性以幼稚的基线和宏观指标为基准。 业绩结果通过累积回报、年化夏普比率和最大缩减率进行汇总。 使用我们信号的最佳投资组合组合提供了低风险,连续的回报流,夏普比率超过2.5,最大跌幅约为3%,与标准普尔500指数市场基准的相关性接近零。 我们还通过不同的市场制度比较了该模型的表现,例如最近美国股市在2025年初的波动。 我们的分析展示了模型的稳健性和在这些波动期的显着稳定性能。 总的来说,这些发现表明,如果考虑正确的变量,市场效率低下可以用适度的计算开销系统地收获。 该报告将强调传统深度学习框架在金融市场上产生人工智能驱动优势的潜力。