分类目录归档：论文
本文聚焦算法交易中的订单执行这一基础问题（核心目标是完成特定工具的清算或获取订单），指出近年该领域已从基于模型的市场假设分析视角转向无模型的强化学习视角，但由于策略可利用的市场信息存在噪声且不完美，构建样本高效的强化学习方法面临挑战；为此提出一种新颖的通用交易策略优化框架，其核心是借助先知教师（拥有完美信息）的策略蒸馏方法引导通用策略学习，以逼近最优交易策略，在AAAI 2021上被接收的该方法，经大量实验验证，相比多种强基线有显著改进，且交易行为合理。
## 核心背景
- 问题定位：算法交易中的订单执行（清算/获取特定工具订单）
-...本文发表于ICLR 2024会议，由蚂蚁集团与清华大学团队合作完成。针对时间序列预测中复杂时序变化的挑战，提出基于多尺度混合的全新视角，设计出全MLP架构的TimeMixer模型。该模型通过Past-Decomposable-Mixing（PDM）块和Future-Multipredictor-Mixing（FMM）块，分别在历史信息提取阶段对多尺度序列的季节和趋势成分进行分解混合，在未来预测阶段融合多预测器的互补能力；在18个真实世界基...
TimeXer 是清华大学研究团队在2024年提出的一种创新型时间序列预测模型，它专门设计用于有效融合外生变量（外部因素） 来提升对目标序列（内生变量）的预测精度。该模型基于经典的Transformer架构，通过巧妙的嵌入策略和注意力机制调整，使其能够同时捕捉时间序列的内在模式和外部因素的影响。
TimeXer 的核心创新在于其差异化的嵌入策略和双注意力机制，解决了传统方法在处理外生变量时面临的挑战。
差异化的嵌入策略
量化投资旨在通过金融工具在连续交易期内实现收益最大化与风险最小化，受AI技术快速发展及其在量化投资中创新潜力的启发，AI驱动的量化研究与投资工作流应用日益增多，与此同时，AI技术在丰富量化投资方法论的同时，也对量化投资系统提出了基础设施需升级以适应新学习范式、需更强大性能以满足数据驱动特性、以及在金融场景中应用AI解决不同任务存在独特挑战等新要求，为应对这些挑战并桥接AI技术与量化投资，我们设计开发了Qlib，其旨在实现AI技术在量化投资中的潜力、赋能相关研究并创造价值。
## **标题**
- Qlib: An AI-oriented Quantitative...这篇论文提出了一种名为CausalStock的模型，用于预测受新闻影响的多只股票价格走势，核心内容如下： 1. 研究背景：在预测多只股票价格走势时，现有方法存在两个问题。一是股票关系常为单向，以往基于相关性的关系建模不合适，因果关系更能准确反映股票间影响；二是新闻数据噪声大，传统文本挖掘模块难以提取有效信息。 2. 创新点 - 因果关系发现：设计了与时间滞后相关的因果发现模块，能根据时间滞后直观地建立股票间的因果关系，比以往不考虑时间滞后的方法更适合股票数据。 - 新闻信息提取：提出基于大语言模型（LLM）的去噪新闻编码器。它能从多个角度给新闻文本打分，有效去除噪声，提取...
利用BERTweet和Transformer预测股票走势的研究，主要内容包括：
“DataLab: A Unified Platform for LLM-Powered Business Intelligence”提出了DataLab平台，将基于大语言模型（LLM）的智能体框架与计算笔记本界面相结合，以统一商业智能（BI）工作流程，提升BI任务处理的效率和效果。 1. 背景与挑战：传统BI工作流程繁琐，基于LLM的智能体虽有帮助，但现有方法多聚焦单个任务，存在缺乏领域知识融合、任务间信息共享不足和LLM上下文管理需求未满足等问题。 2. DataLab平台概述：由LLM - 基于代理框架和计算笔记本界面组成。前者针对不同BI任务设计多个代理，通过代理协作完成任务；后...