AAAI 2024 | 量化交易相关论文（附论文链接）
AAAI 2024 | 量化交易相关论文（附论文链接）
AAAI 2024（Association for the Advancement of Artificial Intelligence）将于2024年2月20日至27日在加拿大温哥华举行。作为人工智能领域的顶级会议之一，AAAI 2024共收到12100篇投稿，最终接收2342篇论文，录用率为23.75%。本文将介绍AAAI 2024中收录的几篇关于量化交易的前沿研究论文。
MASTER: 市场引导的股票Transformer模型
作者单位：上海交通大学
论文链接：https://ojs.aaai.org/index.php/AAAI/article/download/27767/27575
研究内容：股价预测一直是一个具有挑战性的问题，主要由于股市的高波动性。现有的研究通常采用共同的模型架构，通过学习个别股票序列的时间模式并混合时间表示来建立股票相关性。然而，这些方法仅考虑时间对齐的股票相关性，这受到两个限制：股票相关性通常是瞬时和跨时间的，且特征的有效性会随着市场变动而动态变化。为了解决这些问题，本文提出了MASTER（Market-Guided Stock Transformer），一个市场引导的股票Transformer模型。MASTER通过交替进行股票内部和股票间信息的汇总，优雅地解决了复杂股票相关性问题。实验表明，与先前的工作相比，MASTER具有优越的性能，并能可视化捕捉到现实的股票相关性，提供有价值的见解。
Curriculum Learning and Imitation Learning for Model-free Control on Financial Time-series
作者单位：延世大学
论文链接：https://arxiv.org/pdf/2311.13326
研究内容：课程学习和模仿学习在机器人领域已有广泛应用，但在复杂时间序列数据的控制任务上研究较少。本文从理论和实证角度探索了这些方法在金融时间序列控制任务上的应用。通过数据增强实现课程学习的基本思想，并通过模仿学习从一个专家策略中提炼策略。研究发现，课程学习在改善复杂时间序列控制任务性能方面具有潜力，而模仿学习则需要谨慎使用。大量随机种子外样本经验分析和模拟研究表明，当调整所有重叠的超参数时，课程学习带来了基准测试优势。
MDGNN: 多关系动态图神经网络
作者单位：蚂蚁集团
论文链接：https://arxiv.org/pdf/2402.06633
研究内容：股票市场受到经济指标、财务报告、全球新闻和投资者情绪等多方面因素的影响，预测股价走势充满挑战。传统的序列方法和基于图的模型在捕捉股价趋势的多方面和时序影响上存在局限性。为应对这些挑战，本文提出了多关系动态图神经网络（MDGNN）框架。该框架利用离散动态图来全面捕捉股票及其随时间演化的多方面关系，并利用Transformer结构的强大功能来编码多重关系的时序演化。实验结果表明，MDGNN在公共数据集上实现了与最先进股票投资方法相比的最佳性能。
Market-GAN: 带语义上下文的金融市场数据生成
作者单位：南洋理工大学
论文链接：https://ojs.aaai.org/index.php/AAAI/article/view/29531/30883
研究内容：金融模拟方法在预测精度、风险管理等方面发挥重要作用。然而，现有框架难以适应专业化的模拟上下文。为应对这些挑战，本文提出了Market-GAN，一个新颖的金融数据生成框架。Market-GAN包含一个生成对抗网络（GAN）用于控制上下文生成、一个自编码器用于学习低维特征，以及一个知识传递的监督器。此外，还提出了一个两阶段训练方案，以确保Market-GAN在多个目标下捕获市场内在分布。实验结果表明，Market-GAN在与四种最新时间序列生成模型的比较中表现出卓越性能。
ECHO-GL: 基于财报电话会议的异构图学习
作者单位：浙江大学
论文链接：https://ojs.aaai.org/index.php/AAAI/article/download/29305/30462
研究内容：股票走势预测在量化交易中具有重要地位。现有模型在构建股票关系时存在不足或静态的问题，未能有效捕获复杂的动态股票关系。为解决这些问题，本文提出了ECHO-GL模型。该模型利用财报电话会议中的丰富语义信息构建全面的股票关系，并基于多模态和异构图学习捕捉相关股票间的走势信号。此外，ECHO-GL还根据财报后股价漂移（PEAD）现象定制可学习的股票随机过程，以生成时间序列的股价轨迹。实验结果表明，ECHO-GL在股票走势预测任务上具有高预测准确率和交易盈利性。
EarnHFT: 高频交易的高效分层强化学习
作者单位：南洋理工大学
论文链接：https://ojs.aaai.org/index.php/AAAI/article/view/29384/30614
研究内容：高频交易（HFT）在加密货币市场中广泛应用，但现有强化学习方法在处理极长轨迹和剧烈价格波动方面面临挑战。为应对这些挑战，本文提出了EarnHFT，一个用于高频交易的高效分层强化学习框架。该框架包含三个阶段：计算Q-教师以提高二级RL智能体的性能和训练效率；构建一个由不同回报率区分的市场趋势RL智能体池；训练一个分钟级路由器以动态选择二级智能体。实验结果表明，EarnHFT在高保真模拟交易环境中的加密市场表现优异，盈利能力超过第二名30%。
CI-STHPAN: 基于通道独立时空超图的预训练注意力网络
作者单位：复旦大学
论文链接：https://ojs.aaai.org/index.php/AAAI/article/download/28770/29478
研究内容：量化股票选择面临动态和复杂的市场依赖性问题。现有方法依赖于通道混合方法，加剧了金融时间序列分布偏移的问题。为解决这些问题，本文提出了CI-STHPAN（Channel-Independent Spatio-Temporal Hypergraph Pre-trained Attention Network）。该框架包括基于Transformer和HGAT的股票时间序列自监督预训练以及基于股票排名的下游任务微调。通过动态时间弯曲（DTW）计算不同通道的股票时间序列相似性，并构建基于相似性的通道独立股票动态超图。实验结果表明，该框架在投资回报比率（IRR）和夏普比率（SR）方面优于现有SOTA方法。此外，即使不引入图信息，基于原生Transformer Encoder的自监督学习也超越了SOTA结果。
本文原文来自CSDN