面向金融市场的联合潜在主题发现与预期建模
统计金融
2023-07-18 v1 机器学习
摘要
在追求准确且可扩展的金融市场量化分析方法的过程中，研究重点已从个股模型转向刻画公司及其股票间相互关系的模型。然而，当前的关系型股票方法受其依赖预定义股票关系以及仅考虑即时效应的限制。为克服这些局限，我们提出了一种开创性的金融市场分析框架。据我们所知，该方法首次联合建模投资者预期并自动挖掘潜在股票关系。在中国沪深300指数（全球最大市场之一）上进行的全面实验表明，我们的模型持续实现超过10%的年化收益。该表现超越了现有基准，在股票收益预测与多年交易模拟（即回测）中树立了新的最先进（SOTA）标准。
引用
@article{arxiv.2307.08649,
title = {Joint Latent Topic Discovery and Expectation Modeling for Financial Markets},
author = {Lili Wang and Chenghan Huang and Chongyang Gao and Weicheng Ma and Soroush Vosoughi},
journal= {arXiv preprint arXiv:2307.08649},
year = {2023}
}
备注
In Advances in Knowledge Discovery and Data Mining 2023 (PAKDD 2023)