weixin_70955880的博客

本文提出了一种基于条件变分自编码器（CVAE）的新方法，用于预测股票交易量时间序列，特别是利用提前信息如指数再平衡日期来提高预测精度。通过实证分析，CVAE在捕捉非线性模式和提供情景分析方面优于传统线性模型，为金融时间序列预测提供了新的视角和工具，而不在执着于预测收益率。

我前面写过的文章中多次出现了一个词：“回测”，今天我们就来专门讲一讲它的重要性。简而言之，回测就是在你开始run程序前最重要的一项工作，对你的交易策略进行微调。它需要在各种市场情况下提供相对稳定的表现。本文将帮助你了解如何回测交易策略，哪种回测方法最有效，如何评估测试结果，以及最重要的是 - 你何时准备好进入市场进行交易。

价格走势预测旨在根据当前市场信息预测金融资产趋势，目前大多数现有的机器学习方法都与极低的信噪比和金融数据的随机性作斗争，经常将噪声误认为真实的交易信号，而没有仔细选择潜在的优质的样本。本文提出了一个新的价格运动预测框架LARA，它有两个主要组成部分：位置感知注意(LA-Attention)和迭代细化标记(RA-Labeling)。在三个现实世界金融市场：股票、加密货币和etf的一系列实验中，LARA在的表现明显优于几种基于机器学习的方法。

在当今复杂多变的金融市场中，股票价格预测一直是投资者和分析师关注的焦点。本文旨在利用Prophet时间序列模型对股票价格趋势进行预测。Prophet模型是一种基于可分解的时间序列模型，由趋势项、季节项和假期因素组成，能够灵活捕捉时间序列数据中的周期性、趋势性和异常值等特点。该模型在处理时间序列数据时具有较高的精度和可解释性，已被广泛应用于各种预测场景。

Transformer 是一种在自然语言处理等领域广泛应用的深度学习架构，与传统的循环神经网络（RNN）相比，Transformer 可以并行处理输入序列的各个位置，大大提高了计算效率。而且通过多层的深度堆叠，能够学习到更复杂和抽象的特征表示。本文将利用Python代码来实现美股价格的预测模拟。

股票市场变幻莫测，每一个消息都会对股票价格产生影响。传统深度学习模型在股票预测中存在黑箱问题，缺乏解释性。为了解决这个问题，新加坡国立大学的研究者们提出了SEP（ Summarize-Explain-Predict ）框架，利用自我反思代理和PPO（Proximal Policy Optimization ）技术，使LLM能够自主学习生成可解释的股票预测。

本文主要讲解如何构建一个交易机器人开发环境。描述具体的步骤和工具，包括使用 GitHub Codespaces、Visual Studio Code（VS Code）和 GitHub，以及如何安装 TA Lib 和 GitHub CoPilot。

今天选择了一些和数字金融相关的国际顶刊推荐给大家，这些期刊从最经典的有效市场理论到最新的加密货币发展，从各种成功投资策略到AI顾投的学术研究，都发表在这些期刊上。下面我带您开始数字金融期刊探索之旅。

另一项由 Falck、Rej 和 Thesmar（2021）进行的研究，他们研究了事前特征的假设，以预测已公布的股票异常在样本外表现下降的风险调整后绩效（样本外被定义为发布后时期）。正如我们之前提到的 2020 年的博客文章中所述，McLean 和 Pontiff（2016）发现，基于不同变量和因素的统计显著样本执行各种交易策略的投资组合回报，涵盖总的可表示异常数量，样本外回报率降低了 26%，发布后回报率降低了 58%，这与我们的数字相去不远。Y 轴表示在前面所提到的时间段内升值了 1 美元的回报。

例如，吃未彻底煮熟的海鲜会致使拉肚子，而止泻药能够帮助止住拉肚子，那么在购买止泻药之前吃海鲜，并不能断言由于海鲜消费的增多导致了止泻药销量的增加，不过海鲜消费有利于精确预测止泻药的情况。格兰杰因果关系分析，对这组数据得出结果，说明了先有蛋而有鸡，因为在原假设产蛋量不是鸡群的原因中，P值为0.013，小于0.05，因此拒绝原假设，所以选择了备选假设即产蛋量是鸡群的原因。Y 和 X 均为平稳的时间序列，为了检验 X 不导致 Y 的原假设，引入 Y 的过去期数值，并构建 Y 的自回归模型。

通过这些策略，奥肖内西希望能找到市场中的误价股票，并通过长期持有这些股票获得超额回报。他的方法为价值投资提供了一种更科学、系统的方式，使其区别于更传统的、主观判断较多的价值投资策略。他的方法为价值投资提供了一种更科学、系统的方式，使其区别于更传统的、主观判断较多的价值投资策略。本文内容仅仅是技术探讨和学习，并不构成任何投资建议。原创不易，转载请标明出处及原作者。

彼得·林奇是一位非常成功的投资者和前麦哲伦基金的基金经理，他提出了一种被广泛采用的价值选股策略，即使用市盈率相对盈利增长率（PEG）作为衡量股票价值的主要指标。PEG比率是一种受到投资者喜爱的指标，因为它试图通过考虑公司的增长来提供比传统市盈率（PE）更全面的股票估值方法。

汤普森抽样是一种在不确定性环境下做决策的核心方法，以威廉·汤普森（William R. Thompson）命名，是一种启发式策略，用于解决多臂强盗问题中的探索与开发的困境。在强盗游戏中，你只有两种可能的结果：赢或输。汤普森抽样的主要步骤包括选择与随机产生的信念相关，进行预期奖励最大的行动，并利用过去的结果来更新对未来哪些行动最有价值的信念。对于股票交易者来说，这意味着他们需要根据各种股票的表现来调整他们的投资策略。

研究显示，巴菲特的Alpha部分来自于他选股的能力和行业配置的策略，而且他那看似简单的价值投资策略背后实际上是复杂和精细的财务分析及市场洞察。想了很久，看了看自己搜集及整理的内容，感觉可以动手写一个关于普化策略的系列，大概会分为五到六篇文章，主要包括投资届的一些大佬的策略，包括巴菲特、詹姆斯·奥肖内西、彼得·林奇等，也会有类似诺贝尔经济学奖得主克莱夫·格兰杰这样的理论研究者。对于因子的处理，由于因子来自不同维度，所以无需进行降维或者因子正交处理来解决它的相关性问题，所以简单进行了去极值和标准化处理。