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
从业者和研究人员试图在财务交界处的准确性和透明度中心 Explainable Artificial Intelligence (XAI)之间取得平衡。 本文全面概述了XAI在金融领域应用的变化场景,以及特定领域的实施,方法论发展和研究趋势映射。 使用书目和内容分析,我们发现主题集群,重要的研究,以及最常用于金融行业的解释性策略。 我们的结果表明,对后临时可解释性技术有很大的依赖性;注意力机制,特征重要性分析和SHAP是其中最常用的技术。 本综述强调,需要多学科方法将金融知识与改进的解释性范式相结合,并暴露了当前XAI系统中的重要缺陷。
金融顾问和投资者与金融新闻的信息过载作斗争,其中不相关的内容和噪音掩盖了关键市场信号,阻碍了及时的投资决策。 为了解决这个问题,我们提出了一个新的思维链(CoT)总结框架,将金融新闻浓缩成简洁的,事件驱动的摘要。 该框架集成了用户指定的关键字,以生成个性化的输出,确保只突出显示最相关的上下文。 这些个性化摘要提供了一个中间层,支持语言模型产生以投资者为中心的叙述,弥合原始新闻和可操作见解之间的差距。
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
基于皮尔森相关性的金融网络已经进行了深入研究。 然而,以前的研究可能导致误导和灾难性的结果,因为皮尔森相关性的几个关键缺点。 局部高斯相关系数是变量之间统计依赖性的新测量,具有独特的优势,包括捕获局部非线性依赖和处理重尾分布。 这项研究使用上海证券交易所股票回报尾部区域之间的局部高斯相关系数构建金融网络。 这项工作系统地分析了基本的网络指标,包括节点中心性、平均最短路径长度和熵。 与正尾与常规的Pearson相关网络之间的局部高斯相关性网络相比,负尾之间的局部高斯相关网络的特性对股市风险更加敏感。 这一发现表明,研究人员应该优先考虑负尾之间的局部高斯相关网络。 未来的工作应该使用当地的高斯相关方法重新评估现有的发现。
睡美人的问题是由 Elga 提出的,它强调了概率在回忆不完善的情况下的作用。 解决睡美人问题的一个方法是让睡美人根据她的信念做出决定,然后描述她的决定是“理性的”。 特别是,她可以被允许根据她的信念进行货币赌注,假设她想获得财富而不是失去财富。 然而,这种方法通常与睡美人应该最大化她赌注的预期价值的假设相结合。 在这里,我认为,睡美人利用凯利标准来最大化她的财富增长率是理性的,这使得我们进入了“第三”的位置。 此外,这一立场被荷兰书的论点证明是“理性的”。 如果Sleeping Kelly只接受增长率大于1的赌注作为“第三者”,那么她并不容易受到荷兰书籍的影响。 相比之下,如果睡美人采取“半人半”的位置,她很容易受到荷兰书籍的影响。 如果向睡美人提供的赌注结构不同,并导致非乘法财富动态,她可能不再是“第三者”。
本研究引入了几何代数,将信用系统关系分解为它们的投射(相关性状)和旋转(反馈螺旋)组件。 我们代表经济国家作为克利福德代数的多向量,其中双向量元素捕获失业,消费,储蓄和信贷利用之间的旋转耦合。 这个数学框架揭示了传统分析看不见的相互作用模式:当失业和信用收缩进入同时的反馈循环时,它们的几何关系从简单的相关性转变为表征系统性危机的危险旋转动力学。
智能合约的出现使去中心化金融(DeFi)在以太坊区块链上的迅速崛起,为金融创新和包容性提供了可观的回报。 然而,这种增长伴随着严重的安全风险,如从事欺诈的非法账户。 有效检测进一步受到标签数据稀缺和恶意帐户不断发展的策略的限制。 为了通过强大的解决方案来应对这些挑战,我们提出了基于自我学习的基于非法帐户检测的SLEID框架。 SLEID使用隔离森林模型进行初始异常检测和自我训练机制,为未标记的帐户迭代生成伪标签,从而提高检测准确性。 对6,903,860个具有广泛DeFi交互覆盖的以太坊交易的实验表明,SLEID显着优于监督和半监督基线,具有+2.56个百分点的精度,可比召回和+0.90个百分点的F1 - 特别是对于少数非法类别 - 以及更高的+3.74个百分点的准确性和改进PR-AUC,同时大大减少了对标记数据的依赖。
我们引入了一个按时间顺序一致、遵循指令的大型语言模型家族,以消除远视偏差。 每个模型仅对明确定义的知识截止日期之前可用的数据进行训练,确保与任何截止后数据进行严格的时间分离。 由此产生的框架提供了(i)一个简单的对话聊天界面,(ii)完全打开,保证可复制性的固定模型权重,以及(iii)预测准确性的保守下限,隔离了一旦训练泄漏被移除后仍然存在的可预测性份额。 这些功能共同为研究人员提供了一个易于使用的生成式AI工具,可用于各种没有前瞻性偏见的预测任务。
众所周知,中小企业(SME)在经济增长、就业和创新方面起着至关重要的作用。 然而,由于金融历史有限、抵押品限制和宏观经济冲击的风险,他们在获得信贷方面往往面临重大挑战。 这些挑战使得放款人准确的信用风险评估至关重要,特别是因为中小企业经常在相互关联的公司网络中运作,从而可以传播违约风险。 本文介绍并测试了一种新的方法,利用著名金融机构提供的一套独特的大型中小企业贷款数据集,对中小企业信贷风险进行建模。 具体来说,我们的方法使用Graph Neural Networks来预测中小企业的违约情况,这些数据来自公司之间的共同所有权和金融交易。 我们表明,将这些信息与传统结构化数据相结合,不仅可以提高应用程序评分性能,还可以明确模拟公司之间的传染风险。 进一步的分析表明,这些联系的方向性和强度如何影响金融风险传染,从而更深入地了解潜在的过程。 我们的研究结果强调了网络数据的预测能力,以及供应链网络在使中小企业面临相关违约风险方面的作用。
这项研究开发了一个可解释的机器学习框架,用于预测启动结果,包括资金、专利和退出。 2010-2023年的公司季度面板由Crunchbase建造,与美国相匹配。 专利商标局(USPTO)数据。 评估三个方面:12个月内下一次融资,24个月内专利股票增长,36个月内通过首次公开募股(IPO)退出或收购退出。 预处理适合开发窗口(2010-2019),并应用于未更改的队列,以避免泄漏。 类不平衡使用逆流行权重和用于名义和连续特征的合成少数民族过度采样技术(SMOTE-NC)来解决。 使用精确回忆曲线(PR-AUC)下的区域和接收器操作特征曲线(AUROC)下的区域进行比较,包括随机森林(Random Forest)、XGBoost、LightGBM和CatBoost。 专利、资金和退出预测实现了 AUROC 值 0.921、0.817 和 0.872,为创新金融提供了透明和可重复的排名。
在复杂的工业生态系统中,分散式协调和数字承包正变得至关重要,但现有方法通常依赖于临时的异构或纯粹的技术区块链实施,而没有严格的经济基础。 本研究为基于智能合约的资源分配开发了一个机制设计框架,明确嵌入了分散协调中的效率和公平性。 我们建立合约均衡的存在和独特性,在机制设计中扩展经典成果,并引入具有可证明的收敛保证的分散式价格调整算法,可以实时实现。 为了评估性能,我们将广泛的合成基准与概念验证真实世界数据集(MovieLens)相结合。 合成测试在费用波动、参与冲击和动态需求下探测稳健性,而MovieLens案例研究说明了该机制如何在现实分配环境中平衡效率和公平。 结果表明,拟议的机制在效率和公平性方面实现了实质性的改进,同时保持对突然扰动的弹性,证实了其稳定性超出了稳定状态分析。 调查结果强调了供应链、物流、能源市场、医疗保健资源分配和公共基础设施的广泛管理和政策相关性,其中透明和可审计的协调越来越关键。 通过将理论严谨性与经验验证相结合,该研究展示了数字合同如何不仅可以作为技术工件,还可以作为高风险资源分配中透明度,问责制和弹性的体制工具。
ChatGPT等生成式AI工具可以从根本上改变投资者处理信息的方式。 我们探索这些工具在总结复杂的企业披露时利用股票市场作为实验室的经济效用。 与原件相比,不受约束的摘要要短得多,而它们的信息内容被放大了。 当一份文件有正面(负面)情绪时,其总结就变得更加积极(负面)。 重要的是,摘要更有效地解释股票市场对披露的信息的反应。 在这些发现的激励下,我们提出了一个信息“膨胀”的尺度。 我们表明,臃肿的披露与不利的资本市场后果有关,例如价格效率较低和信息不对称性较高。 最后,我们表明该模型在构建有针对性的摘要方面是有效的,这些摘要可以识别公司(非)的财务绩效。 总的来说,我们的结果表明,生成式AI为具有信息处理限制的投资者增加了相当大的价值。
本文调查了采用生成式AI对金融稳定的影响。 我们使用大型语言模型进行实验室式实验,以复制关于交易决策中牧群行为的经典研究。 我们的结果表明,人工智能代理比人类做出更理性的决策,主要依靠私人信息而不是市场趋势。 因此,对人工智能驱动的交易建议的依赖可能会增加,从而减少动物精神带来的资产价格泡沫。 然而,探索实验设置的变化表明,当明确引导以做出利润最大化决策时,AI代理可以诱导最佳牧群。 虽然最佳放牧提高了市场纪律,但这种行为仍然对金融稳定具有潜在的影响。 在其他实验变体中,我们表明AI代理不是纯粹的算法,而是继承了人类调节和偏见的一些元素。
本文介绍了精算神经添加剂模型,这是一种用于一般保险定价的固有可解释的深度学习模型,可提供完全透明和可解释的结果,同时保留了神经网络的强大预测能力。 该模型为每个单独的协方变量和成对交互项分配一个专用神经网络(或子网络),以独立学习其对建模输出的影响,同时实施各种架构约束,以便在保险应用中实现基本的可解释性(例如易感性)和实际要求(例如平滑度,单调性)。 我们模型的发展基于坚实的基础,我们在保险环境中建立了可解释性的具体定义,并辅之以严格的数学框架。 在预测准确性方面的比较是用传统的精算和最先进的机器学习方法使用合成和真实的保险数据集进行的。 结果表明,建议的模型在大多数情况下优于其他方法,同时在其内部逻辑中提供了完全的透明度,强调了强大的可解释性和预测能力。
大型语言模型(LLM)容易出现关键的故障模式,包括内在的忠实幻觉(也称为混淆),其中响应在语义上偏离了提供的上下文。 旨在检测这一点的框架,如语义分量表(SDM),依赖于识别提示和响应之间共享的潜在主题,通常通过将几何聚类应用于其句子嵌入。 这会产生脱节,因为主题针对空间接近进行了优化,而不是下游信息理论分析。 在本文中,我们通过开发基于确定性信息瓶颈(DIB)的原理主题识别方法来弥合这一差距,用于几何聚类。 我们的主要贡献是将DIB方法转变为高维数据的实际算法,将其棘手的KL发散项替换为计算效率的上限。 由此产生的方法,我们配音UDIB,可以解释为一个熵规范化和健壮的K-means版本,它本质上有利于一个吝啬的信息集群。 通过将UDIB应用于LLM提示和响应嵌入的联合聚类,我们生成了一个共享的主题表示,该主题表示不仅在空间上一致,而且从根本上结构,可以最大限度地提供有关提示响应关系的信息。 这为SDM框架提供了优越的基础,并为检测混淆提供了一个新颖,更敏感的工具。
我们介绍了NoLBERT,一种轻量级的,时间戳的基础语言模型,用于社会科学的实证研究,特别是在经济和金融领域。 通过独家对1976-1995年文本进行预先培训,NoLBERT避免了可能破坏计量经济学推断的回顾和远头偏见。 它超过了NLP基准的域特定基线,同时保持了时间的一致性。 应用于专利文本,NoLBERT支持公司级创新网络的建设,并表明创新中心的增长预示着更高的长期利润增长。
计算机科学中的新兴技术使“大脑扫描”大型语言模型(LLM)成为可能,识别指导他们推理的纯英语概念,并在保持其他因素不变的同时引导它们。 我们表明,这种方法可以将LLM生成的经济预测映射到情绪,技术分析和时间等概念,并在不降低性能的情况下计算其相对重要性。 我们还表明,模型可以或多或少地规避风险,乐观或悲观,这使得研究人员能够纠正或模拟偏见。 该方法是透明,轻量级的,可复制的社会科学实证研究。
现实世界资产(RWA)的代币化有望通过实现部分所有权,全球可访问性以及传统非流动性资产(如房地产,私人信贷和政府债券)的可编程结算来改变金融市场。 虽然技术进步迅速,截至2025年,超过250亿美元的代币化RWA带来了链上,但流动性仍然是一个关键瓶颈。 本文研究了代币化和可交易性之间的差距,借鉴了RWA.xyz等平台最近的学术研究和市场数据。 我们记录了大多数RWA代币表现出低交易量,持有期长,投资者参与有限,尽管他们有可能在24/7全球市场。 通过对代币化房地产,私人信贷和代币化国库基金的案例研究,我们提出了经验流动性观察,揭示了低转移活动,有限的活跃地址计数以及大多数代币化资产类别的最小二次交易。 接下来,我们将流动性的结构性障碍进行分类,包括监管交易,托管集中,白名单,估值不透明以及缺乏分散的交易场所。 最后,我们提出了改善流动性的可操作途径,从混合市场结构和基于抵押的流动性到透明度增强和合规创新。 我们的研究结果有助于日益增长的数字资产市场微观结构的讨论,并强调实现RWA的流动性潜力需要在法律,技术和机构领域进行协调进展。
商业通信数字化已经重组了有说服力的话语过程,这不仅允许更大的透明度,而且还允许先进的欺骗。 本调查综合了经典修辞和沟通心理学与财务报告,可持续性话语和数字营销中的语言理论和实证研究,以解释如何使用有说服力的词典系统地检测欺骗性语言。 在受控设置中,检测精度大于 99 种模型。 然而,在多语言设置中复制这种性能也是有问题的,在很大程度上,这是因为要找到足够的数据并不容易,而且因为很少有多语言文本处理基础设施到位。 这些证据表明,沟通的理论表征与经验近似的表达之间存在越来越大的差距,因此,需要拥有强大的自动文本识别系统,其中基于AI的话语在与人类沟通时变得更加现实。
游戏化是激励和吸引用户的有效策略,它通过在非游戏环境中设计游戏,以商业,营销和管理为基础。 包括教育游戏的设计和研究相结合的游戏化教育是一个新兴趋势。 然而,现有的理解宏观经济学的课堂游戏与个人决策的微观基础联系薄弱。 我们设计了一个关于加密货币投资的教育游戏,以了解微观经济决策中的宏观经济概念。 我们通过设计基于游戏的学习为文学做出贡献,让学生了解宏观经济学,以激励个人投资决策。 我们的游戏可以在网上,面对面和混合教室广泛实施。 我们还反思了改善未来教育游戏实施的用户体验的策略。
继续滚动加载更多
