STORM：基于双向量量化变分自编码器的时空因子模型用于金融交易
机器学习
2026-01-15 v4 人工智能
摘要
在金融交易中，因子模型广泛用于定价资产并捕捉来自定价失衡的超额收益。最近，我们见证了基于变分自编码器的潜在因子模型的崛起，这些模型能够自适应地学习潜在因子。虽然这些模型专注于建模整体市场条件，但往往无法有效捕捉个股的时间模式。此外，将多个因子表示为单个值会简化模型，但限制了其捕捉复杂关系和依赖性的能力。结果是，所学到的因子质量较低且缺乏多样性，降低了其在不同交易时期内的有效性和鲁棒性。为解决这些问题，我们提出一种基于双向量量化变分自编码器的时空因子模型，命名为 STORM，从时序和空间两个角度提取股票特征，然后在细粒度和语义水平上对这些特征进行融合和对齐，并将因子表示为多维嵌入。离散码本聚类相似的因子嵌入，确保其正交性和多样性，这有助于区分不同因子并实现金融交易中的因子选择。为展示所提因子模型的性能，我们将其应用于两个下游实验：两个股票数据集上的组合管理和六只特定股票上的个股交易任务。大量实验表明，STORM 在适应下游任务方面具有灵活性，并且在基线模型之上表现出优异性能。
引用
@article{arxiv.2412.09468,
title = {STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading},
author = {Yilei Zhao and Wentao Zhang and Tingran Yang and Yong Jiang and Fei Huang and Wei Yang Bryan Lim},
journal= {arXiv preprint arXiv:2412.09468},
year = {2026}
}