定量金融学
Quantitative Finance
计算金融学
Computational Finance
金融经济学
Economics
通用金融学
General Finance
概率预测对于构建用于复杂截面依赖的高效投资组合的多元金融时间序列至关重要。 在本文中,我们提出了Diffolio,一种用于多变量财务时间序列预测和投资组合构建的扩散模型。 Diffolio采用具有分层注意力架构的去噪网络,包括资产级和市场层面。 此外,为了更好地反映横断面相关性,我们引入了一个相关性引导的正则器,该正则由目标相关性矩阵的稳定估计来表示。 这种结构不仅从历史回报中有效提取了突出的特征,而且还从资产特异性和系统协变中提取了显着的特征,显着提高了预测和投资组合的性能。 12个行业投资组合的每日超额回报的实验结果表明,Diffolio在多变量预测准确性和投资组合表现方面优于各种概率预测基线。 此外,在投资组合实验中,由Diffolio预测构建的投资组合表现出一贯强劲的表现,从而通过实现平均方差切度投资组合的夏普比率和增长最优投资组合的更高确定性等价物,从基准中跑赢表现优于基准。 这些结果证明了我们提议的Diffolio不仅在统计准确性和经济意义上的优势。
在定量金融中,机器学习方法对于阿尔法生成至关重要。 这项研究引入了一种新的方法,将隐藏的马尔可夫模型(HMM)和神经网络相结合,与Black-Litterman组合优化相结合。 在COVID期间(2019-2022),这种双模方法实现了83%的回报率,夏普比率为0.77。 它包含两个风险模型,以加强风险管理,显示波动期间的效率。 该方法在QuantConnect平台上实施,该平台因其强大的框架和实验性可重复性而被选中。 该系统预测未来的价格走势,包括三年的热身,以确保适当的算法功能。 它的目标是高流动性,大盘能源库存,以确保稳定和可预测的表现,同时也考虑经纪人付款。 双模 alpha 系统利用日志返回,根据历史性能选择最佳状态。 它将状态预测与基于历史数据的神经网络输出相结合,以产生交易信号。 这项研究研究了交易系统的架构,数据预处理,培训和性能。 完整的代码和后测试数据可在 QuantConnect 条款下获得:https://github.com/tiagomonteiro0715/AI-Powered-Energy-Algorithmic-Trading-Integrating-Hiden-Markov-Models-with-Neural-Networks
虽然投资基金公开披露其目标,但其经理优化了竞争目标的复杂组合,这些目标超越了简单的风险回报权衡。 传统方法试图通过多目标实用函数来建模,但在规范和参数化方面面临根本性的挑战。 我们提出了一个生成框架,学习基金经理策略的潜在表示,而无需明确的实用规范。 我们的方法直接模拟了基金投资组合权重的条件概率,给定的股票特征,历史回报,以前的权重以及代表基金策略的潜在变量。 与基于强化学习或模仿学习的方法不同,这需要指定的奖励或标记的专家目标,我们的基于GAN的架构直接从观察到的持有量和市场数据的联合分布中学习。 我们在1436个美国股票共同基金的数据集上验证我们的框架。 学到的陈述成功地抓住了已知的投资风格,如“增长”和“价值”,同时也揭示了隐含的经理目标。 例如,我们发现,虽然许多基金表现出类似Markowitz的优化特征,但它们在周转、集中和潜在因素的异质实现中也是如此。 为了分析和解释端到端模型,我们开发了一系列解释模型的测试,我们表明基准的专家标签以线性可解释的方式包含在我们模型的编码中。 我们的框架提供了一种数据驱动的方法,用于在市场模拟、战略归因和监管监督中应用表征投资策略。
我们从信息理论的角度研究过剩增长率 - 投资组合理论中出现的基本对数函数。 我们表明,超额增长率可以连接到Rényi和交叉熵,亥姆霍兹自由能源,L。 Campbell 的平均代码长度和大偏差的度量。 我们的主要结果包括超额增长率的三个公理表征定理,在(i)相对熵,(ii)詹森不等式的差距,和(iii)广义的布雷格曼发散的对数。 此外,我们研究超额增长率的最大化,并将其与增长最佳投资组合进行比较。 我们的结果不仅为超额增长率的意义提供了理论理由,而且还在信息理论和定量金融之间建立了新的联系。
我们为基础投资提供了一个多代理,人工智能驱动的框架,该框架集成了宏观指标,行业层面和公司特定信息,以构建优化的股票投资组合。 该架构包括:(i)根据不断变化的经济指标和行业表现动态筛选和加权部门的宏观代理;(ii)四个公司级代理 - 基本面,技术,报告和新闻 - 对个别公司进行深入分析,以确保覆盖范围的广度和深度;(iii)使用强化学习将代理产出合并为统一策略的投资组合代理,以产生交易策略;以及(iv)调整投资组合头寸的风险控制代理。 我们通过中国A股市场CSI 300指数对成分系统进行评估,发现其始终优于标准基准和最先进的多代理交易系统,进行风险调整收益和缩减控制。 我们的核心贡献是分层多代理设计,将自上而下的宏观筛选与自下而上的基本分析联系起来,为基于因子的投资组合构建提供了一种稳健和可扩展的方法。
随着金融市场的全球化和高频、多维数据集的增长,跨市场投资组合优化变得越来越复杂。 传统的人工神经网络虽然在某些投资组合管理任务中有效,但往往产生大量的计算开销,并且缺乏大规模多市场数据所需的时间处理能力。 该研究调查了Spiking Neural Networks(SNN)用于跨市场组合优化的应用,利用神经形态计算原理来处理来自印度(Nifty 500)和美国(S P 500)市场的权益数据。 通过Yahoo Finance API系统地收集了一个为期五年的数据集,包括大约1,250个每日股票价格的交易日。 拟议的框架将Leaky Integrate-and Fire神经元动力学与自适应阈值,尖峰定时可塑性和横向抑制相结合,以实现事件驱动的处理财务时间序列。 维度减少是通过分层聚类实现的,而基于人群的尖峰编码和多种解码策略支持在现实交易限制下稳健的投资组合建设,包括基数限制,交易成本和自适应风险厌恶。 实验评估表明,与ANN基准相比,基于SNN的框架提供了卓越的风险调整回报和降低的波动性,同时大大提高了计算效率。 这些发现强调了神经形态计算在全球金融市场中实现可扩展、高效和稳健的投资组合优化的前景。
大多数财务推荐系统往往无法解释关键的行为和监管因素,导致建议与用户偏好不一致,难以解释或不太可能遵循。 我们介绍了FLARKO(金融语言模型资产推荐与知识图谱优化),一个集成大型语言模型(LLM),知识图谱(KG)和卡尼曼 - 特弗斯基优化(KTO)的新框架,以生成既盈利又符合行为的资产建议。 FLARKO将用户的交易历史和资产趋势编码为结构化KG,为LLM提供可解释和可控的上下文。 为了证明我们方法的适应性,我们开发和评估集中架构(CenFLARKO)和联合变体(FedFLARKO)。 据我们所知,这是KTO首次展示将KTO用于微调LLM进行金融资产推荐。 我们还首次使用结构化KG来在联合学习(FL)环境中对行为金融数据进行LLM推理。 在FAR-Trans数据集上进行了评估,FLARKO在行为调整和联合盈利能力方面始终优于最先进的推荐基线,同时保持可解释和资源效率。
在本文中,我们表明因果模型中的介入稳健优化问题在G-因果Wasserstein距离下是连续的,但在标准Wasserstein距离下可能是不连续的。 这强调了在为此类任务增加数据时使用尊重因果结构的生成模型的重要性。 为此,我们提出了一种新的归一化流架构,满足因果结构模型的通用近似属性,并可以有效地训练,以最小化G因果关系Wasserstein距离。 经验上,我们证明我们的模型在因果因子模型中的因果回归和均值-变量组合优化中优于标准(非因果关系)生成模型。
金融市场本质上是非静态的,波动性制度的变化改变了资产共同运动和回报分配。 标准投资组合优化方法通常建立在稳定性或与制度无关的假设之上,难以适应这些变化。 为了应对这些挑战,我们提出了RegimeFolio,这是一个新颖的制度意识和部门专业化框架,与现有的与制度无关的模型(如DeepVol和DRL优化器)不同,它将明确的波动性制度分割与特定部门的集成预测和自适应均值分配相结合。 这种模块化架构可确保预测和投资组合决策与当前市场状况保持一致,从而增强动态市场的稳健性和可解释性。 RegimeFolio结合了三个组成部分:(i)一个可解释的基于VIX的分类器,用于市场制度检测;(二)制度和特定部门的集合学习者(Random Forest,Gradient Boosting)用于捕获条件返回结构;(iii)一个动态均值优化器,具有收缩规则化的协方差估计值,用于制度感知分配。 我们评估2020年至2024年34只美国大盘股的RegimeFolio。 该框架实现了137%的累计回报率,夏普比率为1.17,最大缩减幅度降低了12%,与传统和高级机器学习基准相比,预测准确性提高了15%至20%。 这些结果表明,在预测学习和投资组合配置中明确建模波动率制度增强了稳健性,并导致真实市场中更可靠的决策。
我们提出了DeepAries,这是一个用于动态投资组合管理的新型深度强化学习框架,共同优化再平衡决策的时机和分配。 与以前的强化学习方法不同,无论市场情况如何,采用固定再平衡间隔,DeepAries自适应地选择最佳的再平衡间隔以及投资组合权重,以减少不必要的交易成本并最大限度地提高风险调整回报。 我们的框架集成了一个基于 Transformer 的状态编码器,它有效地捕获了复杂的长期市场依赖关系,通过近端策略优化 (PPO) 生成同时离散(再平衡间隔)和连续(资产分配)操作。 对多个现实世界金融市场的广泛实验表明,DeepAries在风险调整后的回报、交易成本和缩减方面明显优于传统的固定频率和全面再平衡策略。 此外,我们在https://deep-aries.github.io/上提供了DeepAries的实时演示,以及https://github.com/dmis-lab/DeepAries的源代码和数据集,说明了DeepAries产生可解释的再平衡和分配决策的能力。 总体而言,DeepAries通过将时间和分配整合到统一的决策过程中,为适应性和实用的投资组合管理引入了创新范式。
我们考虑涉及金融二次期权组合的应用程序,当联合基础日志返回随着多变量椭圆分布而变化时。 这激发了对方法的需求,以近似多积分而不是双倍体。 转换用于将双倍体积分减少到两个径向积分和两个球面积体的产物。 构建了变换积分的数值近似方法。 这些方法的应用是用一些金融应用的例子来证明的。
本文介绍了一种基于债券回报中相关性结构随机字符串模型的债券投资组合优化的新方法。 本文展示了如何近似债券回报的相关性函数,使用Wiener-Hopf因子化计算最佳投资组合分配,并检查债券集合是否提供套利机会。
投资组合优化是投资中的关键任务。大多数现有的投资组合优化方法需要关于构成投资组合的资产收益分布的信息。然而，投资者通常不知道这种分布信息。虽然已经提出了各种方法来估计分布信息，但其准确性在很大程度上取决于金融市场的不确定性。由于这种不确定性，在一个时间点能够很好预测分布信息的模型，在另一个时间点可能比另一个模型的准确性要差。为了解决这个问题，我们研究了一种基于贝叶斯预测合成（BPS）的投资组合优化方法，这是用于元学习的贝叶斯集成方法之一。我们假设投资者可以访问多个资产收益预测模型。通过使用BPS与动态线性模型来组合这些预测，我们可以获得关于资产平均收益的贝叶斯预测后验分布，该分布能够适应金融市场的不确定性。在本研究中，我们研究了如何基于预测的分布信息构建均值-方差投资组合和基于分位数的投资组合。
风险管理是点对点贷款的突出问题。 投资者可以通过多样化而不是将所有资金放在一笔贷款上来自然减少他的风险敞口。 在这种情况下,投资者可能希望尽量减少其贷款组合的高风险价值(VaR)或有条件价值风险(CVaR)。 我们提出了一个低自由度的深度神经网络模型DeNN,以及一个高度的自由模型DSNN,以解决这个问题。 特别是,我们的模型不仅预测了贷款的违约概率,而且还预测了违约的时间。 实验表明,与基准相比,这两种模型都可以显着降低不同置信水平的投资组合VaR。 更有趣的是,低自由度模型DeNN在大多数场景中都优于DSNN。
本文介绍了一个多代理比特币交易系统,该系统利用大型语言模型(LLM)在加密货币市场中进行阿尔法生成和投资组合管理。 与股票不同,加密货币表现出极端的波动性,并受到快速变化的市场情绪和监管公告的严重影响,这使得它们难以使用仅根据历史数据训练的静态回归模型或神经网络进行建模[53]。 拟议的框架通过将LLM构建为技术分析,情绪评估,决策和绩效反思的专业代理来克服这一点。 该系统通过一种新的口头反馈机制随着时间的推移而改进,其中Reflection代理提供每日和每周的自然语言对交易决策的批评。 然后将这些文本评估注入未来的提示中,使系统能够在没有参数更新或微调的情况下调整指标优先级、情绪权重和分配逻辑。 对2024年7月至2025年4月比特币价格数据的反向测试显示了市场机制的一贯表现:量化代理交付超过30个
稳健的资产配置是量化金融的一个关键挑战,深度学习预测者经常因客观不匹配和错误放大而失败。 我们引入了Signature-Informed Transformer(SIT),这是一个新颖的框架,通过直接优化具有风险意识的财务目标来学习端到端的分配政策。 SIT的核心创新包括丰富的资产动态几何表示的路径签名,以及将金融归纳偏差(如铅滞后效应)嵌入到模型中的签名增强注意力机制。 根据每日标准普尔100指数的权益数据,SIT果断地优于传统和深度学习基线,特别是与预测然后优化的模型相比。 这些结果表明,投资组合感知目标和几何感知感应偏差对于机器学习系统中的风险感知资本配置至关重要。 代码可查阅:https://github.com/Yoontae6719/Signature-Informed-Transformer-For-Asset-Allocation。
MarketSenseAI是一种新的整体股票分析框架,利用大型语言模型(LLM)来处理金融新闻,历史价格,公司基本面和宏观经济环境,以支持股票分析和选择的决策。 在本文中,我们介绍了MarketSenseAI的最新进展,这是由LLM的快速技术扩张推动的。 通过结合检索增强的一代和LLM代理的新架构,该框架处理SEC的申报和收益调用,同时通过系统处理不同的机构报告来丰富宏观经济分析。 我们展示了基本分析精度比上一个版本显著提高。 标普100只股票两年(2023-2024年)的实证评估显示,MarketSenseAI实现125.9的累计回报
条件风险最小化产生于高风险决策中,其中风险必须根据附带信息进行评估,例如压力经济条件,特定客户概况或其他上下文协变。 从有限的数据中构建可靠的条件分布是出了名的困难,它激励了一系列基于最佳运输的提案,以分布稳健的方式解决这种不确定性。 然而,这些方法仍然支离破碎,每种方法都受到其自身局限性的限制:有些依赖于点估计或限制性结构假设,有些方法只适用于狭隘的风险措施类别,其结构联系尚不清楚。 我们引入了一个通用框架,用于分配稳健的条件风险最小化,建立在最佳运输中新颖的工会球配方之上。 该框架提供了三个主要优势:可解释性,通过将现有方法作为特殊情况并揭示其深层结构联系;可处理性,通过为文献中研究的几乎所有主要风险函数产生凸重制;以及可扩展性,通过支持大规模有条件风险问题的切割平面算法。 组合优化与排名依赖的预期实用程序的应用程序突出了框架的实际有效性,条件模型与无条件模型显然没有的最佳解决方案融合在一起。
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。
在强化学习(RL)设置中,代理的最佳策略在很大程度上取决于她的风险偏好和培训环境的潜在模型动态。 这两个方面会影响代理商在面对测试环境时做出消息灵通和时间一致决策的能力。 在这项工作中,我们设计了一个框架来解决强大的风险感知RL问题,其中我们同时考虑环境不确定性和风险,并采取了一类动态强的失真风险措施。 稳健性是通过考虑Wasserstein球中围绕参考模型的所有模型引入的。 我们通过使用严格一致的评分函数来估计使用神经网络的动态稳健风险度量,使用扭曲风险度量的分位数表示导出策略梯度公式,并构建一个 actor-critic 算法来解决这类强效风险感知 RL 问题。 我们在投资组合分配示例上演示了算法的性能。
继续滚动加载更多
