Janus-Q：基于层次门控奖励建模的端到端事件驱动交易
计算与语言
2026-03-02 v2 机器学习
摘要
金融市场走势常由通过新闻传达的离散财经事件驱动，这些事件的影响是异质的、突然且在纯粹数值预测目标下难以捕捉。这些限制促使日益增长的兴趣将文本信息作为基于学习的系统中的主要交易信号。两个关键挑战阻碍了现有方法：(1)缺乏大规模、以事件为中心的数据集，用于联合建模新闻语义和统计学上严谨的市场反应，以及(2)语言模型推理与在动态市场条件下具有金融有效性的交易行为之间的错位。为解决这些挑战，我们提出Janus-Q——一个面向事件驱动交易的端到端框架，将财经新闻事件从辅助信号提升为主要决策单元。Janus-Q在两个阶段的范式下统一了事件中心数据构建和模型优化。阶段I focuses on event-centric data construction，构建一个由62,400篇文章构成的大规模财经新闻事件数据集，标注了10种细粒度事件类型、关联股票、情感标签以及事件驱动的累计异常回报（CAR）。阶段II进行面向决策的微调，将监督学习与强化学习结合，由层次门控奖励模型（HGRM）指导，该模型显式地捕捉多个交易目标之间的权衡。大量实验表明，Janus-Q实现了比市场指数和LLM基线更一致、更可解释且更有利可图的交易决策，使夏普比率提高最高可达102.0%，相对于最强的竞争策略，方向准确率提高超过17.5%。
引用
@article{arxiv.2602.19919,
title = {Janus-Q: End-to-End Event-Driven Trading via Hierarchical-Gated Reward Modeling},
author = {Xiang Li and Zikai Wei and Yiyan Qi and Wanyun Zhou and Xiang Liu and Penglei Sun and Jian Guo and Yongqi Zhang and Xiaowen Chu},
journal= {arXiv preprint arXiv:2602.19919},
year = {2026}
}