Identification of clusters of investors from their real trading activity in a financial market
我们使用统计验证网络，最近推出的方法来验证一个二分系统中的链接，以确定在金融市场交易的投资者集群。具体来说，我们调查了一个特殊的数据库，可以跟踪股票诺基亚个人投资者的交易活动。我们发现，许多统计检测集群的投资者在他们决定交易的时间和采取的交易行动表现出非常高的同步程度。我们调查这些集群的组成，我们发现，其中几个显示出过度表达的特定类别的投资者。
2011-07-20 cs.SI physics.soc-ph q-fin.TR
Modeling interaction of trading volume in financial dynamics
引入了一个交易量相互作用的动态羊群模型。在时间$t$，代理人以概率进行交易，该概率取决于时间$t-1$的总交易量与其自己在其最后交易时的交易量的比率。价格回报由成交量不平衡和交易数量决定。该模型成功地再现了交易量、交易次数和价格收益率的幂律分布及其相互关系。此外，生成的时间序列是长程相关的。我们证明了结果是相当稳健的，并且不依赖于交易概率的特定形式。
2009-11-03 physics.data-an physics.soc-ph q-fin.TR
A quantitative model of trading and price formation in financial markets
我们使用标准的物理技术模型的交易和价格形成的市场下，订单到达和取消是泊松随机过程的假设。该模型对市场的最基本属性进行了可检验的预测，例如价格的扩散率，这是金融风险的标准衡量标准，以及价差和价格影响函数，这是交易成本的主要决定因素。在量纲分析、模拟和平均场论的指导下，我们发现了阶流率的标度关系。我们表明，即使在完全随机的顺序流的需要，以存储供应和需求，以促进交易诱导异常扩散和时间结构的价格。
2002-12-10 cond-mat.stat-mech q-fin.TR
Trading-R1: Financial Trading with LLM Reasoning via Reinforcement Learning
University of California, Los Angeles（加州大学洛杉矶分校）；University of Washington（华盛顿大学）；Stanford University（斯坦福大学）；Tauric Research Institute（金牛座研究所）
本文提出Trading-R1，一个通过监督微调和三阶段强化学习课程，结合战略思维与波动率调整的金融推理模型，在六只主要股票和ETF上实现了优于现有模型的风险调整收益与更低回撤。
2025-09-14 cs.AI cs.CE cs.CL
Newly Developed Flexible Grid Trading Model Combined ANN and SSO algorithm
在现代社会中，由于网络和计算机计算技术的不断发展，金融市场的交易方式和策略已逐渐从传统的现场交易转变为电子化的远程交易，甚至是通过预先编写的计算机程序进行的在线自动交易。量化交易在金融市场中引起了广泛的关注，其主要目的是将人们的投资决策自动地形成一种固定的、可量化的操作逻辑，排除一切情绪干扰和主观思想的影响，并将这种逻辑应用于金融市场活动中，以获得高于平均收益的超额利润。在金融市场中，开发自调整规划算法以实现自动交易已成为学术研究和金融实践的一个重要课题。因此，在本发明中，一个新的灵活的网格交易模型，结合简化群优化（SSO）算法，用于优化各种市场情况的参数作为输入值，以及全连接神经网络（FNN）和长短期记忆（LSTM）开发并研究了用于训练定量交易模型的模型，以在输入现有市场状况后自动计算并调整用于交易的最佳交易参数，这项工作该模型提供了一种自调整模型，减少了投资者在交易市场上的努力，获得了超额投资收益率和模型的鲁棒性，并能合理地控制风险与收益之间的平衡。
2022-09-05 cs.CE q-fin.TR
TradingGPT: Multi-Agent System with Layered Memory and Distinct Characters for Enhanced Financial Trading Performance
本文提出TradingGPT多智能体框架，通过分层记忆、自定义衰减机制、智能体间辩论及个性化交易特征，提升金融交易决策的准确性与稳健性。
2023-09-07 q-fin.PM q-fin.TR
A non-linear model of trading mechanism on a financial market
我们引入了一个原型模型，试图捕捉市场动态模拟交易机制的某些方面。该模型描述开始于一个离散空间，连续时间马尔可夫过程，描述不同价格的订单的到达和移动。然后，我们执行一个重新缩放的过程，导致一个确定性的动力系统控制的非线性常微分方程（ODE）。这使我们能够引入近似的平衡分布的模型表示的不动点的确定性动力学。
2012-01-22 math.PR q-fin.TR
FLAG-Trader: Fusion LLM-Agent with Gradient-based Reinforcement Learning for Financial Trading
Harvard University（哈佛大学）；Stevens Institute of Technology（史蒂文斯理工学院）；Columbia University（哥伦比亚大学）；University of Minnesota（明尼苏达大学）；NVIDIA（英伟达公司）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；TheFinAI；University of Manchester（曼彻斯特大学）
针对大语言模型在交互式金融交易等多步骤目标导向场景中决策能力不足的问题，提出融合LLM与梯度驱动强化学习的FLAG-Trader框架，以部分微调LLM为策略网络，经交易奖励优化后提升交易及其他金融任务表现。
2025-02-19 cs.AI cs.CE q-fin.TR
DDPG based on multi-scale strokes for financial time series trading strategy
Beijing University Of Technology（北京工业大学）
随着人工智能的发展，越来越多的金融从业者将深度强化学习应用于金融交易策略，但由于单尺度时间序列噪声大、非平稳性强、非线性等特点，难以提取准确的特征，难以获得高收益。根据经典的金融理论--Chan理论，在金融时间序列的多个时间尺度上提取多尺度特征矩阵，提出了一种多尺度笔划深度确定性策略梯度强化学习模型（MSSDPG）方法为了寻找最优的交易策略，我们在美国道琼斯指数、标准普尔500指数和中国沪深300指数、上证综指数据集上进行了实验，并与海龟交易策略、深度Q学习（DQN）强化学习策略、实验结果表明，该方法在沪深300、上证综合指数上取得了较好的效果，在美国道琼斯、标普500指数上取得了较好的效果。
2022-06-05 cs.AI cs.LG q-fin.TR
TradingAgents: Multi-Agents LLM Financial Trading Framework
University of California, Los Angeles (UCLA)（加利福尼亚大学洛杉矶分校）；Massachusetts Institute of Technology (MIT)（麻省理工学院）；Tauric Research
TradingAgents 提出一种模拟交易公司协作的多智能体大语言模型股票交易框架，通过分析师、风险管理与交易员等角色分工及辩论机制提升累计收益、夏普比率和最大回撤等交易表现。
2025-06-03 cs.AI cs.CE cs.LG
Financial Trading as a Game: A Deep Reinforcement Learning Approach
National Chiao Tung University（国立交通大学）
从金融市场中产生持续利润的自动程序对每个市场从业者来说都是有利可图的。深度强化学习的最新进展为这种交易代理的端到端训练提供了一个框架。在本文中，我们提出了一个马尔可夫决策过程（MDP）模型，适用于金融交易任务，并解决它与最先进的深度递归Q网络（DRQN）算法。我们提出了几个修改现有的学习算法，使其更适合下的金融交易设置，即1。与现代深度强化学习算法（通常为数百万大小）相比，我们使用了相当小的重放内存（大小只有几百）。2.我们开发了一种行动增强技术，以减轻随机探索的需要，通过提供额外的反馈信号的所有行动的代理。这使我们能够在学习过程中使用贪婪策略，并且与更常用的ε-贪婪探索相比，显示出强大的经验性能。然而，这种技术是特定于金融交易下的一些市场假设。3.我们采样一个更长的序列用于循环神经网络训练。这种机制的副产品是，我们现在可以为每T步训练代理。这大大减少了训练时间，因为总体计算量下降了T的因子。我们将上述所有的结合成一个完整的在线学习算法，并验证我们的方法在现场外汇市场。
2018-07-08 cs.LG q-fin.TR stat.ML
High-Frequency Trading Synchronizes Prices in Financial Markets
高速计算机化交易，通常称为“高频交易“（HFT），在过去十年中在金融市场中急剧增加。在美国和欧洲，它现在占所有贸易的近一半。虽然有证据表明高频交易有助于提高市场效率，但有人担心它也会增加市场的不稳定性，特别是在压力时期。目前，尚不清楚HFT如何或为什么产生这些结果。在本文中，我使用纳斯达克的数据来表明高频交易会同步金融市场的价格，使相关证券的价值同时变化。通过一个模型，我展示了价格同步如何提高效率：价格更准确，交易成本降低。然而，在压力时期，如果没有保障措施，局部错误很快就会在金融体系中蔓延。此外，高频交易有可能强化证券之间的不正确关系，使价格的相关性超过（或低于）基本经济要素的保证。这项研究突出了高频交易在市场中扮演的重要角色，并有助于回答几个以前似乎难以解释的令人困惑的问题：为什么高频交易如此普遍，为什么高频交易集中在某些证券上，而在很大程度上忽略了其他证券，最后，高频交易如何降低交易成本，同时仍然盈利。
2012-11-08 q-fin.GN q-fin.TR
On the relation between forecast precision and trading profitability of financial analysts
本文分析了财务分析师盈利预测准确性与预期盈利能力之间的关系。建模预测误差与多元高斯分布，一个完整的表征每个分析师的收益。特别是，封闭形式的概率密度函数的表达式，期望，更一般地说，所有订单的时刻。我们的分析表明，预测精度和交易盈利能力之间的关系不一定是单调的，而且，对于任何分析师来说，他的预测与其他市场参与者的预测之间的相关性对他的预期收益的影响取决于他的信号的准确性。此外，我们的模型适应了Radner（1979）意义上的完全沟通均衡：如果所有信息都反映在市场价格中，那么所有市场参与者的预期收益等于零。
2013-01-28 math.PR q-fin.TR
Which Trading Agent is Best? Using a Threaded Parallel Simulation of a Financial Market Changes the Pecking-Order
本文提出了一个新的当代金融市场的模拟模型，提出了严重的怀疑，以前广泛接受的各种知名的公共领域的自动交易算法的相对性能的观点所产生的新的结果。在过去25年中，在一种军备竞赛中提出了各种公共领域交易算法，其中每个新的交易算法都与以前的最佳算法进行比较，从而建立了一个“啄食顺序”，即从各种交易算法中最好到最差的部分排序的支配等级。这些算法中的许多都是使用金融市场的简单最小模拟来开发和测试的，这些最小模拟仅弱地近似于真实市场涉及许多不同交易系统异步和并行操作的事实。在本文中，我们使用BSE，一个公共领域的市场模拟器，运行一组实验，从几个著名的交易算法生成基准结果。BSE采用了一种非常简单的时间切片方法来模拟并行性，这种方法有明显的已知弱点。然后，我们修改和扩展BSE，使其线程化，以便不同的交易者算法异步和并行操作：我们称此模拟器为Threaded-BSE（TBSE）。然后，我们在TBSE上重新运行交易员实验，并将TBSE结果与我们之前在BSE上的基准结果进行比较。我们的比较表明，在我们更现实的实验中的优势层次结构是从原来的简单的模拟器所给出的不同。我们的结论是，模拟的并行性很重要，早期的结果从简单的模拟比较不同的交易者算法不再是完全可信的。
2020-09-15 cs.CE q-fin.TR
Adversarial trading
在过去的几年里，对抗性样本引起了机器学习社区的广泛关注。不良样本是一个人为的数据点，来自于一个样本点的一个不可察觉的修改，旨在误导。令人惊讶的是，在金融研究中，很少有人从具体的交易角度来研究这个话题。我们发现，这些对抗性样本可以在交易环境中实施，并对某些市场参与者产生负面影响。无论是从交易还是监管的角度来看，这都可能对金融市场产生深远的影响。
2020-12-16 cs.LG q-fin.TR
FinRL-DeepSeek: LLM-Infused Risk-Sensitive Reinforcement Learning for Trading Agents
本文提出FinRL-DeepSeek方法，通过LLM从财经新闻生成风险评估与交易推荐信号扩展CPPO算法，在纳斯达克100指数基准回测，使用FNSPID数据集及多种LLM，相关资源已开源。
2025-02-11 q-fin.TR
Financial Language Models as Applied Artificial Intelligence Systems for News-Based Trading under Market Frictions
University College London（伦敦大学学院）；University of Warwick（华威大学）
本文提出MFAST框架，将金融语言模型输出转化为考虑市场摩擦的交易决策，验证了仅解码器模型在新闻交易中的优越性，并强调端到端工程评估的重要性。
2026-09-22 cs.CL cs.LG q-fin.TR
A detailed heterogeneous agent model for a single asset financial market with trading via an order book
我们提出了一个基于代理的模型，一个单一的资产金融市场，是能够复制几个非平凡的统计特性，在真正的金融市场，一般被称为程式化的事实。虽然文献中报道的先前模型也能够复制这些统计特性中的一些，但一般来说，它们倾向于过度简化交易机制或代理人的行为。在我们的模型中，我们努力捕捉这两个方面的最重要的特征，以创建代理人，这些代理人采用受真实市场中使用的策略启发的策略，同时，基于双重拍卖订单簿的更现实的交易机制。我们研究了不同类型的交易者对收益统计的作用：具体来说，相关性（或缺乏相关性），波动性聚类，重尾，以及分布可以用对数正态描述的程度。此外，通过引入获利回吐的做法，我们的模型也能够复制与损失和收益分布不对称有关的程式化事实。
2016-07-09 q-fin.CP q-fin.TR
Deep Reinforcement Learning for Quantitative Trading
本文提出QTNet，一种结合深度强化学习与模仿学习、基于POMDP框架的自适应量化交易模型，以应对噪声高频金融数据挑战，并实现探索与利用的平衡。
2023-12-25 q-fin.TR
VLSTM: Very Long Short-Term Memory Networks for High-Frequency Trading
WealthNet Advisors（财富网顾问公司）；Advanced Digital Sciences Center（高级数字科学中心）
金融交易处于时间序列分析的前沿，并与之携手发展。电子交易的出现允许复杂的机器学习解决方案进入金融交易领域。金融市场有长期和短期信号，因此一个好的金融交易预测模型应该能够将它们结合在一起。最受欢迎的电子交易形式之一是高频交易（HFT），通常以微秒敏感的变化而闻名，这会产生大量的数据。LSTM是RNN家族中最有能力处理长期依赖关系的变体之一，但即使是它们也无法像HFT那样处理数千个数据点的长序列。我们提出了非常长短期记忆网络，或VLSTM，来处理这种极端长度的序列。我们探讨了VLSTM在高频交易中的重要性。我们在公开数据集上比较了我们的模型，F1得分比现有的最先进的时间序列预测模型增加了3.14%。我们还表明，我们的模型具有很大的并行化潜力，这是必不可少的实际目的时，在这样的市场上进行交易。
2020-10-22 cs.LG q-fin.TR stat.ML
Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning
Yonsei University（延世大学）
自主交易代理是人工智能解决资本市场投资组合管理问题最活跃的研究领域之一。投资组合管理问题的两个主要目标是最大化收益和抑制风险。然而，大多数解决这个问题的方法只考虑最大化收益。因此，本文提出了一种基于深度强化学习的交易代理，它可以管理投资组合，不仅考虑利润最大化，还考虑风险约束。我们还提出了一个新的目标政策，让交易代理人学习更喜欢低风险的行动。新的目标策略可以通过超参数调整贪婪度来反映在更新中。拟议的交易代理通过加密货币市场的数据验证性能。加密货币市场是测试我们交易代理的最佳试验场，因为每分钟积累的数据量巨大，市场波动性极大。作为实验结果，在测试期间，我们的代理人实现了1800%的回报，并提供了现有方法中风险最小的投资策略。实验表明，即使在市场波动较大或训练周期较短的情况下，该智能体仍能保持鲁棒的广义性能。
2019-09-07 cs.AI q-fin.TR
Spread, volatility, and volume relationship in financial markets and market making profit optimization
我们研究了价差、波动性和交易量之间的关系。我们发现，价差的形成是订单流动性和订单影响相互作用的结果。当交易量较小时，增加更多的流动性有助于提高价格准确性并减少价差，但在某个时候，额外的流动性开始恶化价格。该模型允许连接的买卖价差和高低酒吧可测量的微观结构参数，并表示其依赖于交易量，波动性和时间范围。利用建立的关系，我们解决了最大化做市利润的操作价差优化问题。
2016-06-23 q-fin.PR q-fin.TR
FinSMART: Financial Sentiment Analysis for Algorithmic Trading through Market-Aligned Reinforcement Learning
Imperial College London（帝国理工学院）
FinSMART是首个基于市场对齐强化学习的金融情感分析框架，通过市场感知数据过滤与非对称交易奖励优化情感信号，在交易回报等指标上较基线提升220%，可自适应市场动态。
2026-07-31 cs.CL cs.LG q-fin.ST
The Problem of Calibrating an Agent-Based Model of High-Frequency Trading
基于代理的模型，特别是那些适用于金融市场，证明了产生现实的能力，模拟系统动态，在实证调查中观察到的。尽管如此，它们仍然相当难以校准，因为它们往往是计算昂贵的，即使在最近的技术进步。出于这个原因，基于金融代理的模型经常通过展示再现众所周知的日志返回时间序列和中央限价订单簿程式化事实的能力来验证，而不是严格校准交易数据。因此，我们将一个建立的基于金融代理的模型校准框架应用于一个简单的高、低频交易者互动模型，并证明了一个程式化的以事实为中心的模型验证方法可能存在的不足。我们进一步认为，校准的中心地位，以验证金融代理为基础的模型和可能的陷阱，目前的方法，以金融代理为基础的建模。
2017-03-23 q-fin.CP q-fin.TR
Financial factor influence on scaling and memory of trading volume in stock market
本文研究了1989- 2008年期间美国股票市场17，197只股票的日交易量波动率，并分析了交易量波动率高于给定阈值q的时间收益区间$τ$。对于不同的阈值q，概率密度函数P_q（τ）随平均间隔<τ>成比例变化，即P_q（τ）=<τ>^{-1}f（τ/<τ>），并且比例函数的尾部可以用幂律f（x）~x^{-γ}很好地近似。我们还研究了分布函数P_q（τ）的形式与股票寿命、市价总值、交易量和交易价值等金融因素之间的关系。我们发现，P_q（τ）与这些因子有系统的变化趋势，表明在体积回归区间中存在多尺度特征。分析了条件概率P_q（τ| τ_0），并发现P_q（τ| τ_0）取决于τ_0，使得紧接在短/长返回间隔之后，趋于出现第二短/长返回间隔。我们还发现，有迹象表明，有一个长期的相关性，在每日成交量波动。我们将我们的结果与之前发现的价格波动进行比较。
2011-06-07 physics.data-an q-fin.TR
Trading via Image Classification
J. P. Morgan AI Research（摩根大通人工智能研究院）
系统化金融交易的艺术随着一系列方法的发展而发展，从简单的策略到复杂的算法，所有这些都主要依赖于时间序列分析。最近，在参观了一家领先的金融机构的交易大厅后，我们注意到交易员总是一边执行交易订单，一边观察屏幕上的金融时间序列图像。在这项工作中，我们建立在成功的图像识别和检查的价值，在传统的时间序列分析的图像分类。我们创建了一个大样本的金融时间序列图像编码为烛台（盒和须）图表，并标记样本以下三个代数定义的二元交易策略。使用这些图像，我们训练了十几个机器学习分类模型，发现这些算法在恢复复杂的、多尺度的标签生成规则时非常有效。我们建议，连续数值时间序列分类问题的视觉问题的转换是有用的技术分析的典型信号恢复。
2020-10-26 cs.CV q-fin.CP q-fin.TR
MountainLion: A Multi-Modal LLM-Based Agent System for Interpretable and Adaptive Financial Trading
The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Sichuan University（四川大学）；Northwestern University（西北大学）；Indiana University（印第安纳大学）；Emory University（埃默里大学）；Nankai University（南开大学）；MountainLion Research（MountainLion研究机构）；Xi’an University of Electronic Science and Technology（西安电子科技大学）；Kyoto University（京都大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Nanjing university（南京大学）；Tsinghua University（清华大学）；University of Toronto（多伦多大学）
本文提出 MountainLion 多模态多智能体金融交易系统，通过协调专用 LLM 智能体融合新闻、K线图和交易信号，结合反思模块动态优化策略，实现可解释且自适应的投资决策并提升收益。
2025-09-19 cs.CL cs.LG q-fin.TR
A Cloud-Native Globally Distributed Financial Exchange Simulator for Studying Real-World Trading-Latency Issues at Planetary Scale
我们描述了一个新的电子金融交易所的公共领域开源模拟器，以及与交易所交互的交易员，这是一个真正的分布式和云原生系统，旨在运行在广泛可用的商业云计算服务上，并且其中各种组件可以放置在世界各地的指定地理区域，从而使得能够在当代自动化交易系统中研究行星尺度的流动。我们的模拟器允许在云中启动交易所服务器，为云托管服务指定特定的地理区域;连接到交易所的自动交易客户端也可以在云中启动，在同一地理区域和/或地球上其他任何地方的不同区域，然后这些客户端将受到行星级云通信互连引入的真实世界的限制。在本文中，我们描述了我们的模拟器的设计和实现，称为DBSE，这是基于以前的公共领域的模拟器，扩展的方式，部分灵感来自现实世界的简街交易所的架构。DBSE基本上依赖于UDP和TCP网络通信协议，并实现了FIX事实标准协议的一个子集，用于金融信息交换。我们展示了一个示例的结果，其中交易所服务器在位于伦敦（英国）的云设施上远程启动，交易员客户端在俄亥俄州（美国）和悉尼（澳大利亚）运行。最后，我们讨论了我们的模拟器如何进一步用于研究金融市场中的行星级延迟套利。
2019-09-18 cs.CY q-fin.TR
Deep reinforcement learning on a multi-asset environment for trading
金融交易已经被广泛分析了几十年，市场参与者和学者一直在寻找先进的方法来提高交易性能。深度强化学习（DRL）是一种最近重新焕发活力的方法，在多个领域取得了重大成功，但仍需在金融市场中展示其优势。我们使用深度Q网络（DQN）来设计期货合约的多空交易策略。状态空间由波动率标准化的每日回报组成，买入或卖出是强化学习动作，总回报定义为我们动作的累积利润。我们的交易策略在真实和模拟价格序列上进行了训练和测试，并将结果与指数基准进行了比较。我们分析了如何在真实市场中成功部署基于人工数据和实际价格序列相结合的训练。将训练好的强化学习智能体应用于E-mini标准普尔500连续期货合约的交易。我们的研究结果是初步的，需要进一步改进。
2021-06-15 q-fin.TR
Bayesian Robust Financial Trading with Adversarial Synthetic Market Data
Nanyang Technological University（南洋理工大学）；Beihang University（北航）
本文提出一种贝叶斯稳健框架，通过生成对抗性合成市场数据和稳健策略学习，提升金融交易在不确定市场环境下的性能。
2026-01-14 cs.LG q-fin.TR
Formal verification of trading in financial markets
我们介绍了一个分析金融市场交易的正式框架。交易所是多个买家和卖家参与交易的地方。如今，所有大型交易所都使用计算机算法来实现双边拍卖，以匹配买入和卖出请求，这些算法必须遵守某些监管准则。例如，市场监管机构强制要求交易所生成的匹配应该是\emph{fair}、\emph{uniform}和\emph{individual rational}。为了验证交易的这些性质，我们首先在定理证明器中正式定义了这些概念，然后对匹配的相关结果给出了形式证明。最后，我们使用这个框架来验证两类重要的双边拍卖的性质。所有的定义和结果，本文中提出的完全形式化的Coq证明助手，而不添加任何额外的公理。
2019-07-18 cs.DS cs.FL cs.GT
Effective Trade Execution
本文探讨了算法交易在现代金融市场中的作用。此外，在高频交易技术的大发展所提供的镜头下，描述了算法交易的订单类型、特征和特殊功能。特殊的订单类型一起检查与一个直观的描述隐含的动态的订单簿条件，以特殊的订单（冰山和隐藏）。本章分析了与交易活动相关的交易成本，并研究了市场上最常见的交易策略。同时，本文还通过对有效交易边界的描述，研究了最优执行策略。这些概念代表了理解金融市场最新创新和微观结构研究最新进展所需的工具。
2012-06-22 q-fin.PM q-fin.TR
A Survey of Financial AI: Architectures, Advances and Open Challenges
Forth AI（福斯人工智能公司）
本文系统综述了金融人工智能在预测模型、决策框架和知识增强系统三个维度的架构与进展，并指出理论创新与工业落地之间的关键差距及未来开放挑战。
2024-11-01 cs.AI cs.CE cs.LG
DeepScalper: A Risk-Aware Reinforcement Learning Framework to Capture Fleeting Intraday Trading Opportunities
Nanyang Technological University（南洋理工大学）；Huawei Noah Ark Lab（华为诺亚方舟实验室）；Webank（微众银行）；Tsinghua University（清华大学）
强化学习（RL）技术在许多具有挑战性的定量交易任务中取得了巨大成功，例如投资组合管理和算法交易。特别是，由于金融市场的日内行为反映了数十亿快速波动的资金，日内交易是最有利可图和风险最大的任务之一。然而，绝大多数现有的RL方法集中在相对低频的交易场景（例如，日级别），并未能捕捉稍纵即逝的日内投资机会，由于两个主要的挑战：1）如何有效地训练有利可图的RL代理日内投资决策，这涉及高维细粒度的行动空间; 2）如何学习有意义的多模态市场表示，以了解在tick级别的金融市场的日内行为。受专业人类日内交易者的高效工作流程的启发，我们提出了DeepScalper，这是一个用于日内交易的深度强化学习框架，以应对上述挑战。具体来说，DeepScalper包括四个组件：1）具有动作分支的决斗Q网络，用于处理日内交易的大动作空间，以实现高效的RL优化; 2）具有事后奖励的新型奖励函数，以鼓励RL代理在整个交易日的长期视野下做出交易决策; 3）用于学习多模态时间市场嵌入的编码器-解码器架构，其结合了宏观级和微观级市场信息;（4）风险意识辅助任务，在利润最大化和风险最小化之间保持平衡。通过对六种金融期货三年多的真实市场数据进行广泛的实验，我们证明了DeepScalper在四个金融标准方面的表现明显优于许多最先进的基线。
2022-08-21 cs.AI cs.LG q-fin.TR
Compensating asynchrony effects in the calculation of financial correlations
提出了一种补偿异步时间序列相关性计算中统计误差的方法。该方法是基于一个潜在的时间序列的假设。我们建立了一个模型，并将其应用于金融数据，以检查对较小的回报间隔（Epps效应）的计算相关性的下降。我们表明，这种统计效应是一个主要原因的Epps效应。因此，我们能够仅使用交易价格和交易时间对其进行量化和补偿。
2010-07-06 q-fin.ST q-fin.TR
AlphaForgeBench: Benchmarking End-to-End Trading Strategy Design with Large Language Models
Nanyang Technological University（南洋理工大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong Polytechnic University（香港理工大学）
提出AlphaForgeBench框架，将LLM从随机交易代理重新定义为量化研究员，通过生成可执行alpha因子和基于因子的交易策略，消除执行不稳定，实现可复现的金融推理评估。
2026-05-27 cs.AI q-fin.TR
HedgeAgents: A Balanced-aware Multi-agent Financial Trading System
South China University of Technology（华南理工大学）；ByteDance（字节跳动）；Pazhou Lab（琶洲实验室）
针对 LLM 交易智能体在市场剧烈波动时大幅亏损的问题，本文提出由基金经理与多类对冲专家组成、通过三类会议协调的 HedgeAgents 多智能体系统，三年实现 70% 年化收益和 400% 总收益。
2025-02-17 cs.AI cs.MA q-fin.TR
FinLlama: Financial Sentiment Classification for Algorithmic Trading Applications
Imperial College London（帝国理工学院）；MIT（麻省理工学院）
针对金融新闻情感分析中词典方法缺乏上下文和LLM非专用的问题，提出基于Llama 2 7B微调并融合神经网络决策的FinLlama框架，实现情感分类与强度量化，提升投资组合回报与韧性。
2024-03-18 cs.CL cs.LG q-fin.ST
Quantitative Stock Investment by Routing Uncertainty-Aware Trading Experts: A Multi-Task Learning Approach
Nanyang Technological University（南洋理工大学）
量化投资是一项基本的金融任务，高度依赖于准确的股票预测和有利可图的投资决策。尽管深度学习（DL）的最新进展在随机股票市场中捕捉交易机会方面表现出色，但我们观察到现有DL方法的性能对随机种子和网络初始化敏感。为了设计更有利可图的DL方法，我们分析了这一现象，发现现有作品的两个主要局限性。首先，准确的财务预测和有利可图的投资策略之间存在明显的差距。第二，投资决策只基于一个单独的预测，而不考虑模型的不确定性，这与现实世界中的交易公司的工作流程不一致。为了解决这两个局限性，我们首先将定量投资重新定义为一个多任务学习问题。随后，我们提出了AlphaMix，一个新的两阶段混合专家（MoE）的定量投资框架，模仿成功的交易公司的有效的自下而上的交易策略设计工作流程。在第一阶段，多个独立的交易专家与个人不确定性感知损失函数联合优化。在第二阶段，我们训练神经路由器（对应于投资组合经理的角色），以根据需要动态部署这些专家。AlphaMix也是一个通用的框架，适用于各种骨干网络架构，具有一致的性能增益。通过对两个最具影响力的金融市场（美国和中国）五年以上的长期真实数据进行广泛的实验，我们证明了AlphaMix在四个金融标准方面显著优于许多最先进的基线。
2022-06-07 cs.AI cs.LG q-fin.TR
Behavioral Consistency Validation for LLM Agents: An Analysis of Trading-Style Switching through Stock-Market Simulation
Fudan University（复旦大学）；Wuhan University（武汉大学）；BNP Paribas（BNP巴黎银行）；Oxford University（牛津大学）；Haven
本文通过股票市场模拟分析交易风格切换，评估LLM代理策略切换与金融理论的一致性，提出四个行为金融驱动因素作为性格特质，并通过Mann-Whitney U检验比较策略切换行为与理论的一致性。
2026-03-24 cs.AI q-fin.TR
A model for interevent times with long tails and multifractality in human communications: An application to financial trading
社会、技术和经济的时间序列按事件划分，这些事件通常被认为是随机的，尽管具有某种层次结构。众所周知，在这些背景下观察到的interevent统计不同于泊松分布，其长尾分布与休息期和活动期交织在一起。因此，了解产生一致统计数据的机制已成为一个核心问题。我们提出的方法取自连续时间随机游走形式主义，代表了最近提出的非平凡优先级模型的分析替代方案。我们的分析也更进一步，通过观察人类决策的时间间隔的多重分形结构。我们在这里分析了几个金融市场的交易时间间隔。我们观察到，经验数据描述了一个微妙的多重分形行为。我们的模型解释了这种结构，通过采取暂停时间密度的形式的一个超级统计，其中积分内核量化的异质性的执行任务。拉伸指数核提供了在一定的有限范围内有效的多重分形轮廓。建议的启发式分析概况能够覆盖更广泛的区域。
2008-07-18 physics.soc-ph q-fin.TR
Long Short-Term Memory Pattern Recognition in Currency Trading
本研究利用 LSTM 和 CNN 深度学习模型检测金融市场中的怀科夫吸筹形态，通过摆动点与填充点构建训练数据，验证了 AI 方法在提升交易模式识别能力方面的显著效果。
2024-02-23 cs.LG q-fin.TR
Theoretical and empirical analysis of trading activity
理解金融市场的结构涉及适当地确定金融变量之间的函数关系。在这方面，重要的变量是交易活动，这里定义为交易次数$N$、交易量$V$、资产价格$P$、波动率平方$σ^2$、买卖价差$S$和交易成本$C$。不同的推理导致这些变量之间的简单比例关系（“比例律”）。在交易活动和波动率平方之间建立基本比例，即，$N \sim σ^2$。更复杂的关系是所谓的3/2定律$N^{3/2} \sim σP V /C$和有趣的比例关系$N \sim (σP/S)^2$。我们证明，这些“标度律”是唯一可能的关系，考虑一组变量通过一个著名的参数从物理学：量纲分析。此外，我们提供的经验证据的基础上，从纳斯达克证券交易所的数据表明，复杂的关系具有一定程度的普遍性。最后，我们讨论了波动率$σ$的时间尺度，这比人们天真地期望的要微妙得多。
2018-10-15 q-fin.TR
Composing Ensembles of Instrument-Model Pairs for Optimizing Profitability in Algorithmic Trading
KOC University（科奇大学）
本文提出一种经网格搜索优化的两层 Composing Ensembles 架构，用于预测金融工具次日价格涨跌，回测显示其收益较基准提升20%。
2024-11-06 cs.AI cs.LG q-fin.TR
Communication Strategies for Low-Latency Trading
金融市场中延迟套利的可能性导致了在遥远的金融中心之间部署高速通信链路。这些链路是有噪声的，因此需要编码。在本文中，我们开发了一个博弈论模型的交易行为，两个交易者竞争捕捉延迟套利机会，使用二进制信号。不同的编码方案是在可靠性和延迟之间进行权衡的策略。当一个交易者有更好的渠道时，第二个交易者不应该竞争。对于统计上相同的信道，我们发现存在两种不同的信道噪声机制：存在唯一的纳什均衡，产生联系;存在两个不同赢家的纳什均衡。
2015-04-27 cs.IT math.IT q-fin.TR
Pyramid scheme in stock market: a kind of financial market simulation
基于Agent的人工股市仿真是研究金融市场的重要手段。在假设投资者由一个主力资金、小趋势和反向投资者组成的四个参数特征的基础上，模拟研究了一种具有传销特征的金融现象。通过仿真和理论分析，揭示了主力资金收益率与趋势投资者占中小投资者的比例、中小投资者的止盈和止损参数、主力资金的订单规模以及主力资金采取的策略。我们的工作有助于解释金融市场中具有传销特征的金融现象，为监管机构设计交易规则，为投资者制定交易策略。
2021-02-16 physics.soc-ph q-fin.TR
The price dynamics of common trading strategies
确定性交易策略可以被视为一种信号处理元素，它使用外部信息和过去的价格作为输入，并将其纳入未来的价格。本文采用基于做市商的价格形成方法，研究了几种常用的金融交易策略引起的价格动态，展示了它们如何放大噪音，诱导价格结构，并导致过度和聚集波动等现象。
2000-12-21 cond-mat.stat-mech q-fin.TR
Quantitative Trading using Deep Q Learning
本文提出使用深度Q学习进行量化交易，案例研究表明其优于传统算法，展示了强化学习在提升交易系统效率与收益方面的潜力。
2025-02-23 cs.LG q-fin.GN q-fin.TR
TraderTalk: An LLM Behavioural ABM applied to Simulating Human Bilateral Trading Interactions
UNSW（新南威尔士大学）
该研究提出TraderTalk模型，通过LLM生成行为增强ABM模拟人类双边交易互动，解决代理轮流发言等挑战，在政府债券市场复制交易决策并验证了成交订单量比，证明LLM增强ABMs在金融模拟中的潜力。
2024-10-10 cs.AI q-fin.TR
Reinforcement Learning Framework for Quantitative Trading
Johns Hopkins University（约翰斯·霍普金斯大学）
针对强化学习在量化交易中缺乏实际有效性证据及金融指标利用不足的问题，本文提出利用金融指标增强RL智能体区分买卖行动的能力，为基础框架的进一步探索奠定基础。
2024-11-12 cs.AI q-fin.CP q-fin.TR
Testing the performance of technical trading rules in the Chinese market
技术性交易规则在金融市场中被从业者使用的历史由来已久。技术性交易规则的盈利能力和效率存在争议。本文以1992年5月21日至2013年6月30日的上证综合指数和沪深300指数为研究对象，对七千多条传统技术交易规则进行了实证检验（SHSZ 300）从2005年4月8日至6月30日，2013年，通过使用基于回报率和夏普比率的业绩测量，检查是否可以找到有效的交易策略。为了纠正数据窥探效应的影响，我们采用了高级预测能力测试来评估是否存在可以显著优于基准的交易规则。结果表明，对于上证综指，技术交易规则提供了显著的盈利能力，而对于上证300，这种能力是丧失的。我们进一步将上证综指分为两个子系列，发现与上证300指数跨度相同的子系列的技术交易效率被严重削弱。通过对两个指数的五年移动窗口交易规则进行测试，我们发现2005年至2007年的金融泡沫大大提高了技术交易规则的有效性。这与技术交易规则的预测能力是一致的，这种预测能力在市场效率较低时出现。
2015-04-24 q-fin.ST q-fin.TR
Visibility-Graph-Based Relative Strength Indicator for Financial Market Decision-Making
University of Rzeszow（热舒夫大学）
本文提出基于价格可视关系的VGRSI指标，通过30天优化窗口和7天测试窗口评估，显示在DJIA、欧元兑美元和黄金兑美元等资产上产生显著利润，具有高夏普比率和低波动性。
2026-10-26 cs.CE physics.data-an q-fin.TR
A Financial Time Series Denoiser Based on Diffusion Model
King’s College London（伦敦国王学院）
本文提出利用条件扩散模型对金融时间序列进行去噪，以提升数据可预测性和交易表现，实验表明去噪数据能改善收益分类、提高交易效率并识别市场加噪状态以获取超额收益。
2024-09-02 cs.AI cs.LG q-fin.CP
FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs
Imperial College London（伦敦帝国理工学院）
本文提出金融专用偏好对齐框架FinDPO，利用DPO提升大语言模型情感分析泛化性能，并通过logit-to-score转换支持交易策略，在基准和投资组合仿真中取得显著收益。
2025-07-24 cs.CL cs.LG q-fin.ST
