本报告提出了MASTER，一种结合市场信息进行自动特征选择的新型股票价格预测Transformer模型，通过交替的行业内时间序列聚合和跨股票时间步相关性捕获，实现了对瞬时与跨时间股票相关性的高效建模。实验在中国股市CSI300和CSI800数据集上验证了其优越性，较当前最优方法在多项排名和组合指标上提升显著，且可视化结果揭示了动态、非对称和稀疏的股票间跨时间相关结构[page::0][page::1][page::4][page::6]。
本报告提出MacroHFT，一种基于记忆增强和上下文感知的分层强化学习框架，针对加密货币分钟级高频交易，通过趋势和波动率指标分解市场，训练多样化子代理并结合记忆机制训练超代理，实现了在多市场中的盈利能力和风险控制双优。实验显示MacroHFT显著超越多种主流方法，具备快速响应市场波动和防过拟合能力，为高频交易量化策略提供有效解决方案 [page::0][page::1][page::3][page::4][page::5][page::7][page::8]
本报告提出了MacMic，一种基于层次强化学习的长时段冰山订单执行方法。该方法通过高层策略进行粗粒度的订单切片并由低层策略逐个限价单执行，结合堆叠隐马尔可夫模型（SHMM）提取多粒度市场状态，有效处理了动作空间大和执行周期长的问题。实验覆盖美股和中国A股200支股票，结果显示MacMic在价格优势和执行成功率上明显优于多种基线方法，验证了其在量化交易执行中的实际应用价值和有效性[page::0][page::1][page::5][page::6]。
本报告评估了GPT-4、PaLM 2和MPT Instruct三款大型语言模型（LLMs）作为金融领域关系抽取数据标注工具的效果和效率。研究显示，GPT-4和PaLM 2显著优于非专家众包标注者，能够替代一部分人工标注工作，结合引入的可靠性指数（LLM-RelIndex）可有效筛选需专家复核的样本。此外，通过多种prompt设计和多轮实验，分析了模型性能、标注一致性、错误类型与成本时间，对未来金融领域自动标注任务提供了实践建议 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]。
本报告提出AlphaMix，一种模仿真实交易公司底层层级设计流程的三阶段混合专家框架，通过高效的个性化交易专家训练、多样化专家池构建及动态专家选择机制，实现量化投资策略的显著提升。实证结果表明AlphaMix在美中两大股市的七项财务指标上全面超越十多个先进基线，展现了稳定的盈利能力和风险控制效果，同时显著降低了计算开销，提高了预测信心和决策稳定性[page::0][page::1][page::2][page::6][page::7][page::8]
本报告提出了IMM，一个结合预测表示学习与模仿强化学习的多价位自动做市策略框架。IMM引入了稳定参考价、多价位订单堆叠的状态与动作定义，通过多粒度趋势信号和时空注意力网络提升表示能力，结合基于信号的专家策略加速RL训练。实证结果显示IMM在多个真实期货市场数据上显著优于现有 RL 做市策略，提升风险调整后的收益率并有效降低逆向选择风险 [page::0][page::1][page::3][page::5][page::6]。
本报告提出FreQuant框架，利用离散傅里叶变换（DFT）将资产信号转换至频率域，捕捉主流及突发市场频率，实现自适应的投资组合优化。通过多事件融合网络和频率关系编码器，模型自适应强调关键频率特征，显著提升收益和稳定性，实证结果显示FreQuant可实现最高2.1倍年化收益和2.9倍组合价值优势，优于现有方法[page::0][page::1][page::3][page::6][page::7][page::8]。
本报告提出FinReport，一种基于新闻因子分析的股票收益预测解释模型。模型融合Semantic Role Labeling（SRL）和Semantic Dependency Parsing Graph（SDPG）技术提取新闻语义信息，结合Fama-French五因子模型引入新闻效应因子（News Effect Factor），提升收益预测的准确性和解释力。风险评估模块基于EGARCH模型构建VaR风险指标，辅助风险控制。实验结果显示，FinReport在分类准确率、解释力和实盘回测收益率等方面均优于现有方法，实现收益提升与风险可控的平衡，为普通投资者提供了自动化、专业且可解释的投资报告生成系统。[page::0][page::1][page::2][page::3][page::4][page::5][page::6]
本报告提出了一种基于Llama 2 7B模型，针对金融领域情感分析进行参数高效微调的FinLlama框架。该模型结合生成与判别机制，不仅分类情感极性，还量化情绪强度。通过基于公开金融新闻数据的训练，FinLlama实现了较低的计算资源占用，同时在构建的长短仓投资组合中，相较于传统词典方法和FinBERT模型取得了显著的业绩提升，表现为更高的累计收益和Sharpe比率，以及在市场震荡期的更强稳健性 [page::0][page::1][page::4][page::5][page::6]。
本报告提出了FinDiff，一种基于扩散模型的金融混合类型表格数据生成方法，通过嵌入编码处理类别属性，实现高质量合成数据的生成。实证结果表明FinDiff在数据保真度、隐私保护与实用性方面均优于现有主流模型，兼顾隐私与效用，适用于经济场景模拟、压力测试、异常检测等金融监管领域下游任务。[page::0][page::1][page::5]
本报告提出FINCON，一个基于大语言模型（LLM）的多智能体层级系统，结合经理-分析师架构与双层风险控制机制，通过条件风险价值（CVaR）和概念性语言强化，实现多模态金融信息的高效融合与决策优化。实证结果显示，FINCON在单只股票交易和组合管理任务中，显著提升累积收益与夏普率，且有效控制最大回撤，优于现有LLM及深度强化学习模型，展现出强泛化能力和稳定性 [page::0][page::1][page::4][page::6][page::8][page::9][page::21][page::22]
本报告提出结合卷积神经网络（CNN）与Transformer优势的时间序列模型CTTS，用于捕捉金融时间序列中的短期和长期依赖关系。实验证明，CTTS在预测标普500股票的日内价格涨跌表现优于ARIMA、EMA和DeepAR等传统及深度学习模型，且其预测概率高度可靠，具备未来交易决策潜力。[page::0][page::1][page::2][page::3]
本文提出了一种基于贝叶斯优化的动态强化集成方法（DREB），融合五种主流深度强化学习算法，通过动态时间加权机制实现多股票交易策略优化。实证结果表明，该方法在美股道琼斯指数和印度Sensex指数上均优于各基线模型，显著提高了收益率和夏普比率，并有效控制风险水平，具备快速修复回撤的能力[page::0][page::1][page::4][page::6]
本报告提出了CausalStock模型，通过设计滞后依赖的时序因果发现机制，结合基于大语言模型的降噪新闻编码器，实现新闻驱动的多股票运动预测。该模型可发现股票之间的因果关系，有效提取新闻信息，并在多国六个真实数据集上优于多种基线模型，且具备良好的解释性 [page::0][page::1][page::4][page::7][page::8][page::9]。
本报告提出了自动去偏的时序关联建模方法ADB-TRM，针对股票市场低信噪比的时间偏差与关系偏差，及宏观市场的分布漂移问题，采用双层元学习架构、对抗训练与全局-局部交互机制提升股票投资推荐的稳健性和泛化能力。实证结果显示，ADB-TRM在NASDAQ、NYSE和东京证券交易所三大数据集上，分别获得超过28.41%的累计收益提升和9.53%的风险调整收益率提升，显著优于现有先进模型[page::0][page::1][page::5][page::6][page::7]。
本报告提出了一种面向微观价格时间序列的交易点感知投资组合优化问题（TPPO），并设计了一种基于归一化流的量化策略STrader。该策略通过可逆变换建模复杂且连续的微观价格过程，同时利用强化学习框架结合图注意力网络与排名机制，实现交易权重与多个候选交易点的联合决策。实证结果显示STrader在多个真实市场数据集上显著优于国内外主流宏观及微观信息投资组合策略，有效捕捉了分散且非连续的交易点，获得超额盘中收益[page::0][page::1][page::4][page::5][page::6]。
本报告提出了一种用于最大化m稀疏Sharpe比率的全局最优投资组合方法。该方法将非凸的m稀疏分数规划问题转换成等价的m稀疏二次规划，基于半代数性质和Kurdyka-Łojasiewicz性质，设计了收敛到全局最优解的近端梯度算法(PGA)。理论上证明了算法的收敛性和收敛率，并通过6组真实金融数据进行实证，结果显示该方法在保持稀疏性的同时显著提升了Sharpe比率和累计收益，对抗交易成本表现优异，验证了其实用价值和鲁棒性 [page::0][page::1][page::4][page::5][page::6][page::7][page::8][page::9][page::23][page::25]
本报告提出了一种基于扩散模型的金融时间序列去噪新方法，通过构建条件扩散模型逐步去除噪声，实现对原始数据的还原，从而显著提升下游收益率分类任务的预测准确性和交易信号的有效性。实验证明，该方法在多频率股价数据上均能提高信噪比，优化MACD及Bollinger策略的交易收益并减少交易次数，且通过训练分类器识别市场噪声状态进一步构建盈利交易策略，验证了扩散模型在金融时序数据去噪和交易中的潜力。[page::0][page::2][page::4][page::5][page::6][page::7]
本报告基于动态优化建模框架，提出对Wind普通股票型基金指数成分股及权重进行高频预测模拟的方法。通过结合季报重仓股权重和历史持仓权重的几何加权优化，模型显著提升了指数净值跟踪精度，实现了净值跟踪误差最低达到0.0401，具备较强的预测和模拟能力，为主动量化选股和FOF构建提供有力支持[page::0][page::4][page::8][page::13]。
本报告构建了基于机器学习支持向量机(SVM)的股指期货Level-1订单簿动态模型，提炼17个核心指标库，利用IF1311合约历史数据验证SVM模型准确率最高达70%，并通过模拟交易展示了实际交易中56%的胜率和净利润11814.99元，初步证明机器学习方法在订单簿高频交易的应用潜力[page::0][page::9][page::11][page::12]
