写在前面
IJCAI 2023于2023年8月19日至8月25日在中国澳门举办。本次IJCAI 2023共收到4566份提交全文，接收率大约15%。本文介绍了IJCAI 2023中收录的几篇量化交易相关的论文。
论文标题：
StockFormer: Learning Hybrid Trading Machines with Predictive Coding
作者单位：
上海交通大学
论文链接：
https://www.ijcai.org/proceedings/2023/0530.pdf
研究内容：
典型的针对金融的强化学习（RL）解决方案直接在嘈杂的市场数据上优化交易策略，例如股票价格和交易量，而没有像我们人类那样明确考虑不同投资资产的未来趋势和相关性。在本文中，作者介绍了StockFormer，这是一个融合了预测编码的前向建模能力和RL智能体在策略灵活性方面的优势的混合交易模型。预测编码部分由三个具有修改结构的Transformer分支组成，分别提取长期/短期未来动态和资产关系的有效潜在状态。RL智能体适应性地融合这些状态，然后在统一的状态空间中执行一个actor-critic算法。整个模型通过将critic的梯度反向传播到预测编码模块来联合训练。在投资组合回报和夏普比率方面，StockFormer显著优于现有方法，跨越了三个公开可用的金融数据集。
模型框架
部分实验结果
论文标题：
Deep Hashing-based Dynamic Stock Correlation Estimation via Normalizing Flow
作者单位：
浙江大学
论文链接：
https://www.ijcai.org/proceedings/2023/0555.pdf
研究内容：
在金融领域中，由于常见因素如全球宏观经济和特定行业的影响，股票之间会呈现不同程度的相关性。理解这些关系对于想要分散风险的投资者来说是至关重要的。人们通常使用基于协方差的相关矩阵来了解这些关系。然而，这个工具并不考虑股市相关性的动态变化。随着市场上股票数量的增长，准确估算这些相关性变得更加困难。在这篇论文中，作者引入了一种名为HIDCF的新方法，该方法可以预测这些相关性如何随时间变化。与常规方法不同，HIDCF使用一种独特的方法来了解这些关系。测试表明，提出的方法在处理大量股票时表现得非常好。这可以帮助投资者更好地决定如何投资他们的资金。
模型框架
部分实验结果
论文标题：
Beyond Pure Text: Summarizing Financial Reports Based on Both Textual and Tabular Data
作者单位：
哈尔滨工业大学
论文链接：
https://www.ijcai.org/proceedings/2023/0581.pdf
研究内容：
生成摘要的目的是产生简洁的概括，既能保留明显的信息，也能维持整体的语义意义。然而，真实世界的文件，例如财务报告，通常包含丰富的数据，如图表和表格数据，这使得大多数现有的文本摘要方法变得不适用。因此，这篇文章提出了一种新的方法，可以同时对文本和表格数据进行摘要。具体来说，首先手动构建了一个“表格+文本 → 摘要”数据集。接着，分别以行方式和列方式嵌入表格数据，并使用预训练的模型对文本数据进行句子级别的编码。并提出了一个显著的检测器门，它分别在每对行/列和句子嵌入之间执行。高度相关的内容被视为必须进行摘要的显著信息。之后对所构建的数据集进行了广泛的实验，结果表明，无论是从自动还是人工评估的角度看，提出的方法都是有效的。
模型框架
论文标题：
Contrastive Learning and Reward Smoothing for Deep Portfolio Management
作者单位：
台湾阳明交通大学
论文链接：
https://people.cs.nctu.edu.tw/~yushuen/data/DeepPortfolioManagement23.pdf
代码链接：
https://github.com/sophialien/FinTechDPM
研究内容：
在这项工作中，作者使用强化学习 (RL) 模型进行投资以获得回报。这些模型经过训练，与模拟的环境进行互动，该环境基于历史市场数据和学习交易策略。然而，基于每个时期的收益使用深度神经网络可能面临挑战，因为金融市场的不可预测性。因此，从真实世界的情境中学到的策略可能在测试时不够有效。为了解决这个问题，作者在训练过程中加入了对比学习和奖励平滑。对比学习允许 RL 模型识别资产中的模式，预测未来的价格动向。另一方面，奖励平滑作为一个规整化技术，防止模型追求即时但不确定的利润。作者对比了各种传统的金融技术和其他深度 RL 方法，发现在美国股票市场和加密货币市场上都很有效。
模型思想
实验结果（市场回测表现）
往期推荐阅读
解读：ChatGPT在股票市场预测方面的应用
【python量化】挖掘股价中的图关系：基于图注意力网络的股价预测模型
【python量化】基于backtrader的深度学习模型量化回测框架
【python量化】将Transformer模型用于股票价格预测
【python量化】搭建一个CNN-LSTM模型用于股票价格预测
上期阅读最多跟分享最多的中奖者如下，可在后台私信我地址，各将包邮送出一本《AIGC自动化编程：基于ChatGPT和GitHub Copilot》：
《人工智能量化实验室》知识星球
加入人工智能量化实验室知识星球，您可以获得：（1）定期推送最新人工智能量化应用相关的研究成果，包括高水平期刊论文以及券商优质金融工程研究报告，便于您随时随地了解最新前沿知识；（2）公众号历史文章Python项目完整源码；（3）优质Python、机器学习、量化交易相关电子书PDF；（4）优质量化交易资料、项目代码分享；（5）跟星友一起交流，结交志同道合朋友。（6）向博主发起提问，答疑解惑。
7250
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
