IJCAI 2022 | 量化交易相关论文（附论文链接）

写在前面

国际人工智能联合会议（International Joint Conference on Artificial Intelligence, 简称为IJCAI）于1969年成立于加州，它是一个以科学和教育为目的非盈利公司,其主要通过会议记录、书籍、录像和教材的方式传播人工智能在会议上提出了尖端的科学成果。IJCAI会议是人工智能研究人员和实践者的顶级国际聚会。自1969年以来，IJCAI大会每两年举行一次，在奇数年举行一次，主要由国际人工智能联合会议组织(IJCAI)和东道国国家人工智能学会联合主办。在IJCAI 2022会议中投稿量约4535篇论文，有大约15%的论文被接收。本文介绍了IJCAI 2022中收录的几篇量化交易相关的论文。

论文标题：

A Smart Trader for Portfolio Management based on Normalizing Flows

作者单位：

浙江大学，蚂蚁集团

论文链接：

https://www.ijcai.org/proceedings/2022/0557.pdf

研究内容：

在这篇文章中，作者研究了一种新的投资组合问题，命名为交易点感知投资组合优化（trading point aware portfolio optimization, TPPO）的问题，其目的是基于微观信息实现连续地决定投资组合的权重以及它们的交易点来获得超额日内收益。然而，针对TPPO问题的策略主要面临两个挑战性的问题。即对不断变化和不规则的微观股票价格时间序列进行建模，以及决定交易点。为了解决这些问题，作者提出了一种新型的TPPO策略，称为基于标准化流（normalizing flows）的STrader。STrader不仅有能力将几何布朗运动过程可逆地转化为微观股票价格时间序列的不可观察和复杂的随机过程，以便对这种序列进行建模，而且有能力通过捕捉适当投资组合的交易点来赚取超额盘中利润。在三个公共数据集（道琼斯工业指数、上证指数以及数字货币市场）上进行的实验表明证实了STrader比一系列的SOTA投资组合策略更有效果。

模型框架

论文标题：

Heterogeneous Interactive Snapshot Network for Review-Enhanced Stock Profiling and Recommendation

作者单位：

北京大学

论文链接：

https://www.ijcai.org/proceedings/2022/0550.pdf

研究内容：

股票推荐在现代量化交易中起着至关重要的作用。大量的社会媒体信息，如煽动情绪的投资评论，与价格技术指标一起构成了不断变化的股市概况的 "快照"。然而，以前的研究通常对价格和媒体模式的时间轨迹进行单独建模，而忽略了它们之间的相互影响。此外，他们主要是通过顺序或注意力模型来提取评论语义，而丰富的文本相关知识在很大程度上被忽略了。在本文中，作者提出了一种新型的异质交互快照网络（Heterogeneous Interactive Snapshot Network），用于股票分析和推荐。其中，每个快照中的投资评论被建模为一个异质文档图，并开发了一个灵活的分层关注传播框架来捕捉细粒度的相似特征。此外，为了学习股票嵌入排名，作者引入了一种twins-GRU方法，该方法以交叉交互的方式将媒体和价格平行序列紧密地结合在一起，从而捕捉到连续快照之间的动态依赖关系。在英文和中文基准的交易模拟中，作者提出的模型在累计风险回报率方面优于对比方法超过7.6%。

模型框架

论文标题：

Adaptive Long-Short Pattern Transformer for Stock Investment Selection

作者单位：

北京大学

论文链接：

https://www.ijcai.org/proceedings/2022/0551.pdf

研究内容：

由于非平稳和复杂的市场相互依赖性，股票投资选择是金融科技领域的一个难题。现有的研究大多基于RNNs模型，而它们难以捕捉细粒度波动模式中的交互信息。此外，现有研究方法要么将股票视为孤立的，要么预设了一个固定的图结构，严重依赖先前的领域知识。在本文中，作者提出了一种新型的自适应长短期模式Transformer（aptive Long-Short Pattern Transformer, ALSP-TF），用于对股票进行预期收益排名。具体来说，提出的方法克服了传统self-attention在上下文和位置不可知方面的局限性，并有两个额外的能力：（i）细粒度的模式蒸馏器，根据局部特征尺度对query和key进行上下文化处理，以及（ii）时间自适应的调节器，让模式对之间的依赖性建模对不同的时间间隔敏感。堆叠层中的注意头逐渐捕获短期和长期的过渡特征，并提升了表征的多样性。此外，作者还设计了一个图自监督的正则化，这有助于自动吸收股票间的协同作用，提高整体模型的泛化能力。在三个交易市场数据集上的实验表明提出的ALSP-TF模型比最先进的股票预测方法更有优势。

模型框架

了解更多人工智能与
量化金融知识

<-请扫码关注

让我知道你在看