写在前面

AAAI 2024将在2024年2月20日到27日于加拿大温哥华举行。本次会议共收到12100篇投稿，共接收2342篇论文，录用率为23.75%。本文介绍了AAAI 2024中收录的几篇量化交易相关的论文。

论文标题：

MASTER: Market-Guided Stock Transformer for Stock Price Forecasting

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长期以来的挑战性问题，这主要是由于股市的高波动性。最近的研究已经致力于建模复杂的股票相关性，以实现联合股价预测。现有的研究共享一个共同的模型架构，该架构学习来自个别股票序列的时间模式，并混合时间表示以建立股票相关性。然而，它们仅考虑时间对齐的股票相关性，这些相关性源自所有输入股票特征，这受到两个限制。首先，股票相关性通常是瞬时和跨时间的，其次，特征的有效性会随着市场变动而动态变化，这影响了股票序列模式及其相关性。为了解决这些限制，这篇文章引入了MASTER，一个市场引导的股票Transformer，它模拟了瞬时和跨时间的股票相关性，并利用市场信息进行自动特征选择。MASTER优雅地解决了复杂股票相关性问题，通过交替进行股票内部和股票间信息的汇总。实验表明，与先前的工作相比，MASTER的优越性，并可视化捕捉到的现实股票相关性，以提供有价值的见解。

模型框架

实验结果

论文标题：

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已在机器人领域得到广泛应用。然而，对于如何利用这些思想来控制高度随机的时间序列数据的研究却很少。这篇论文中，作者从理论上和实证上探索了这些方法在复杂时间序列数据上的代表性控制任务。首先，通过数据增强实现了课程学习的基本思想，而模仿学习则是通过从一个expert进行策略提炼来实现的。结果发现表明，课程学习应被视为一个新方向，它在改善复杂时间序列上的控制任务性能方面具有潜力。作者通过大量的随机种子外样本经验分析和模拟研究对于时间序列控制的课程学习来说是非常鼓舞人心的。尤其是当调整所有重叠的超参数时，这些发现给基准测试带来了优势。另一方面，作者发现模仿学习应谨慎使用，以增强其作为一种有益工具的潜力。

模型框架

实验结果

论文标题：

MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive and Dynamic Stock Investment Prediction

作者单位：

蚂蚁集团

论文链接：

https://arxiv.org/pdf/2402.06633

研究内容：

股票市场是金融系统的重要组成部分，但由于经济指标、财务报告、全球新闻和投资者情绪等各个方面形成的动态和复杂关系，预测股价的走势充满挑战。传统的序列方法和基于图的模型已被应用于股价走势预测，但它们在捕捉股价趋势中的多方面和时序影响上存在局限性。为了应对这些挑战，这篇论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。该图生成的表示提供了关于股票及相关实体间相互关系的完整视角。此外，还利用了Transformer结构的强大功能来编码多重关系的时序演化，提供了一种动态且有效的股票投资预测方法。进一步地，提出的MDGNN框架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。

模型框架

实验结果

论文标题：

Market-GAN: Adding Control to Financial Market Data Generation with Semantic Context

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：

金融模拟方法在提高预测精度、管理风险和促进战略性金融决策制定中扮演重要角色。尽管金融市场模拟方法得到发展，现有框架常常难以适应专业化的模拟上下文。作者指出挑战在于：i)当前金融数据集不含上下文标签；ii) 当前技术未设计为带有控制上下文的金融数据生成，相较于其他模式，这要求更高的精度；iii) 鉴于金融数据的非静态、噪声特性，生成与上下文一致的高保真数据困难重重。为了应对这些挑战，作者的贡献包括：i) 提出了带有市场动态、股票代码和历史状态上下文的Contextual Market Dataset，并利用结合线性回归和聚类的市场动态建模方法来提取市场动态；ii) 介绍了Market-GAN，这是一个新颖的体系结构，其中包含了一个生成对抗网络（GAN）以控制上下文生成、一个自编码器以学习低维特征、以及一个知识传递的监督器；iii) 引入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。在相关阶段中，利用自编码器和监督器，为对抗训练阶段提供了更好的初始生成器。提出了一套全面评估指标，考虑了对齐、保真度、下游任务数据可用性及市场事实。最后使用2000年至2023年的道琼斯工业平均指数数据评估Market-GAN，并展示了与4种最新时间序列生成模型相比的卓越性能。

模型框架

实验结果

论文标题：

ECHO-GL: Earnings Calls-Driven Heterogeneous Graph Learning for Stock Movement Prediction

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扮演着重要角色。尽管现有模型通过融入股票关系来增强股票走势预测，这些预测模型面临两个限制，即构建的股票关系不足或静态，未能有效捕获复杂的动态股票关系。复杂动态股票关系受到不断变化的金融市场中各种因素的影响。为了解决上述限制，作者提出了一个基于财报电话会议衍生股票关系的新型股票走势预测模型ECHO-GL。ECHO-GL不仅通过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，而且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，这可以轻松地插入不同时间视角的任何投资策略中以满足投资需求。在两个金融数据集上的广泛实验证明了ECHO-GL在股票走势预测任务上的有效性，具有高预测准确率和交易盈利性。

模型框架

实验结果

论文标题：

EarnHFT: Efficient Hierarchical Reinforcement Learning for High Frequency Trading

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）使用计算机算法在短时间内（例如，秒级）做出交易决策，这在加密货币（Crypto）市场（例如，比特币）中被广泛使用。金融研究中的强化学习（RL）在许多量化交易任务上已显示出卓越性能。然而，大多数方法专注于低频交易，例如，日级别，这些方法由于两大挑战并不能直接应用于HFT。首先，HFT的RL需要处理极长的轨迹（例如，每月240万步），这难以优化和评估。其次，加密货币的剧烈价格波动和市场趋势变化使现有算法无法保持满意的性能。为了应对这些挑战，作者提出了一种用于高频交易的高效分层强化学习方法（EarnHFT），这是一个针对HFT的新颖的三阶段分层RL框架。在第一阶段，计算一个Q-教师，即基于动态规划的最优动作价值，以提高二级RL智能体的性能和训练效率。在第二阶段，构建了一个由不同回报率区分的各种市场趋势的RL智能体池，在其中训练了数百个具有不同回报率偏好的RL智能体，只有一小部分基于其盈利能力被选入池中。在第三阶段，训练了一个分钟级路由器，它动态地从池中选择二级智能体以在不同市场中实现稳定性能。通过在高保真模拟交易环境中的加密市场的各种市场趋势上进行广泛实验，证明EarnHFT在三个流行的财务标准上显著优于6个最新的基准，盈利能力超过第二名30%。

模型框架

实验结果

论文标题：

CI-STHPAN: Pre-trained Attention Network for Stock Selection with Channel-Independent Spatio-Temporal Hypergraph

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：

量化股票选择是金融科技任务中最具挑战性的任务之一，原因在于其动态和复杂的市场依赖性。现有研究依赖于通道混合方法，这加剧了金融时间序列分布偏移的问题。此外，他们构建的复杂模型结构使得处理非常长的序列变得困难。而且，它们大多基于预定义的股票关系，因此难以捕捉动态且高度易变的股票市场。为了解决上述问题，在本文中，作者提出了基于通道独立的时空超图预训练注意力网络（CI-STHPAN），一个为股票选择的两阶段框架，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。作者基于动态时间弯曲（DTW）计算不同通道在动态间隔中的股票时间序列的相似性，并进一步构建基于相似性的通道独立股票动态超图。对过去五年NASDAQ和NYSE市场数据的实验显示，提出的框架在投资回报比率（IRR）和夏普比率（SR）方面优于现有SOTA。另外，作者发现，即便不引入图信息，基于原生Transformer Encoder的自监督学习也超越了SOTA结果。在NYSE市场获得了显著改进。这主要归功于对信息系数（IC）和基于信息比率的IC（ICIR）的微调方法的改进，表明微调方法提高了模型预测的准确性和稳定性。

模型框架

实验结果

往期推荐阅读

WWW 2024 | 量化交易相关论文（附论文链接）

IJCAI 2023 | 量化交易相关论文（附论文链接）

WWW 2023 | 量化交易相关论文（附论文链接）

KDD 2023 | 量化交易相关论文（附论文链接）

AAAI 2022 | 量化交易相关论文（附论文链接）

IJCAI 2022 | 量化交易相关论文（附论文链接）

WWW 2022 | 量化交易相关论文（附论文链接）

KDD 2022 | 量化交易相关论文（附论文链接）

解读：ChatGPT在股票市场预测方面的应用

解读：通过挖掘概念间共享信息，实现股票趋势预测的图模型框架

解读：机器学习预测收益模型应该采取哪种度量指标

解读：基于订单流、技术分析与神经网络的期货短期走势预测模型

【python量化】多种Transformer模型用于股价预测（Autoformer, FEDformer和PatchTST等）

【python量化】挖掘股价中的图关系：基于图注意力网络的股价预测模型

【python量化】基于backtrader的深度学习模型量化回测框架

【python量化】将Transformer模型用于股票价格预测

【python量化】搭建一个CNN-LSTM模型用于股票价格预测

【python量化】用python搭建一个股票舆情分析系统

【python量化】将Informer用于股价预测

【python量化】将DeepAR用于股票价格多步概率预测

《人工智能量化实验室》知识星球

加入人工智能量化实验室知识星球，您可以获得：（1）定期推送最新人工智能量化应用相关的研究成果，包括高水平期刊论文以及券商优质金融工程研究报告，便于您随时随地了解最新前沿知识；（2）公众号历史文章Python项目完整源码；（3）优质Python、机器学习、量化交易相关电子书PDF；（4）优质量化交易资料、项目代码分享；（5）跟星友一起交流，结交志同道合朋友。（6）向博主发起提问，答疑解惑。