Quantifying immediate price impact of trades based on the $k$-shell decomposition of stock trading networks
股票市场的交易者交换股票并形成股票交易网络。在股票交易网络的不同位置的交易可能包含不同的信息。我们构建股票交易网络的基础上的限价订单簿数据和分类的$k$类使用$k$壳分解方法。通过比较封闭的国内市场（A股）和国际市场（B股）、个人和机构、部分成交和成交交易、买方发起和卖方发起的交易以及交易网络中不同位置的交易，研究了交易行为对价格影响的影响。机构交易者专业地使用一些交易策略来减少价格影响，并且在交易网络中处于相同位置的个人比机构具有更高的价格影响。我们还发现，在核心的行业有更高的价格影响比那些在外围壳。
2016-12-05 q-fin.ST q-fin.TR
Price impact asymmetry of institutional trading in Chinese stock market
对2003年中国股票市场32只流通股的机构买卖行为进行了非对称性价格影响研究。我们分析了价格的影响，在起草和下跌趋势与连续的积极和消极的每日价格变化，并测试价格影响的不对称性对市场条件的依赖。对于大多数股票来说，机构卖出对价格的影响大于机构买入，而机构买入对价格的影响只存在于少数以上涨为主的股票中。本文进一步研究了机构投资者交易前后的平均收益率，发现机构投资者在机构投资者交易前后也存在非对称行为。提出了一个新的变量来研究订单簿结构，它可以部分解释机构交易的价格影响。对机构交易价格影响的线性回归进一步证实了我们的发现，即在2003年的熊市中，机构销售主要比机构购买对价格产生更大的影响。
2011-10-14 q-fin.TR
Modeling of Stock Returns and Trading Volume
在这项研究中，我们调查的收益率和交易量的统计特性。我们展示了一个典型的例子，幂律分布的回报和交易量。接下来，我们提出了一个受统计力学启发的股票市场的交互代理模型[24]，以探索实证结果。我们发现，作为相互作用的交易者之间的相互作用，加强双方的回报和交易量呈现幂律行为。
2013-09-10 q-fin.ST q-fin.TR
Distinguishing manipulated stocks via trading network analysis
操纵是发达国家和新兴股票市场的一个重要问题。对操纵行为的研究，关键在于对股票市场中投资者行为的分析。本文对近百只股票在一年内的全部交易记录进行了分析。对于每只股票，构建一个交易网络来表征其投资者之间的关系。在交易网络中，节点代表投资者，有向链路将股票卖方连接到买方，总交易规模作为链路的权重，节点强度是节点所有边权重的总和。对于所有这些交易网络，我们发现，节点度和节点强度都有尾部遵循幂律分布。与非操纵股票相比，操纵股票具有较高的幂律尾下界、较高的交易网络平均化程度以及较低的价格收益率与买卖比的相关性。这些发现可能有助于我们发现操纵股票。
2011-10-11 physics.soc-ph q-fin.TR
Practical Deep Reinforcement Learning Approach for Stock Trading
Columbia University（哥伦比亚大学）；Nokia-Bell Labs（诺基亚贝尔实验室）
股票交易策略在投资公司中起着至关重要的作用。然而，在复杂多变的股票市场中，如何获得最优策略是一个挑战。我们探索深度强化学习的潜力，以优化股票交易策略，从而最大限度地提高投资回报。选取了30只股票作为我们的交易股票，并以它们的每日价格作为训练和交易的市场环境。我们训练一个深度强化学习代理，并获得一个自适应的交易策略。最后，将该策略与道琼斯工业平均指数和传统的最小方差投资组合分配策略进行了比较。所提出的深度强化学习方法在夏普比率和累积收益方面都优于两个基线。
2022-07-30 cs.LG q-fin.TR stat.ML
Market impact and trading profile of large trading orders in stock markets
我们实证研究了交易指令的市场冲击。我们特别感兴趣的是增量执行的大额交易订单，我们称之为隐藏订单。这些都是重建的基础上，有关市场成员的代码使用数据，从西班牙股票市场和伦敦证券交易所的信息。我们发现，市场冲击是强凹的，近似随着订单规模的平方根而增加。此外，当一个给定的订单被执行时，影响会根据幂律随时间增长;在订单完成后，它会恢复到峰值的0.5-0.7。我们观察到，隐藏订单的执行速度或多或少与整个市场的交易相匹配，除了订单开始和结束时的小偏差。
2009-08-03 q-fin.ST q-fin.TR
The geometric phase of stock trading
几何相位描述了在连续时间动力系统中，一个变量（称为相位变量）的位移如何与其他变量（形状变量）根据面积法则进行循环运动。本文的目的是表明，几何相位也可以存在的离散时间系统，甚至当形状空间中的循环有零面积。可以适用这一原则的一个背景是股票交易。形状空间中的零面积周期表示高频交易者通常进行的交易操作类型（在快速时间尺度上进入和退出头寸），而阶段变量表示交易者的现金余额。在交易影响股票价格的假设下，即使是零面积的循环交易操作也会引起几何相位，即，利润或损失，而不影响股票报价。
2016-03-17 q-fin.CP q-fin.TR
When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments
University of Liverpool（利物浦大学）；Peking University（北京大学）；Shanghai University of Finance（上海金融学院）；Rutgers University（罗格斯大学）；University of Michigan（密歇根大学）；Northwestern University（西北大学）；New York University（纽约大学）；Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）；New Jersey Institute of Technology（新泽西理工学院）
提出基于大语言模型的多智能体系统StockAgent，模拟真实股票交易环境，评估外部因素对交易行为的影响，并避免测试集泄露问题。
2026-06-24 cs.AI cs.MA q-fin.TR
Intraday Patterns in the Cross-section of Stock Returns
受投资流和最优交易文献的启发，我们研究了股票收益横截面的日内可预测性。我们发现了一个惊人的模式，即以半小时为间隔的回报持续，这是一个交易日的确切倍数，这种影响至少持续了40个交易日。成交量、订单失衡、波动性和买卖价差表现出类似的模式，但不能解释收益模式。我们还表明，短期回报逆转是由持续不到一个小时的临时流动性失衡和买卖反弹驱动的。择时交易可以减少相当于有效价差的执行成本。
2010-05-19 q-fin.TR
Trading activity and price impact in parallel markets: SETS vs. off-book market at the London Stock Exchange
我们实证研究的交易活动，在电子上的书部分，并在经销商的非书部分的伦敦证券交易所，分别调查交易活跃的市场成员和其他市场参与者的非会员。我们发现：（1）表外交易的交易量分布比表内交易的交易量分布有一个明显的厚尾，（ii）会员及非会员的组别可按其交易概况分类。（iii）市场会员因帐上市场交易而产生的每日存货变动，与因帐外市场交易而产生的存货变动，两者之间有密切的相关关系。与非会员的账面市场交易，和（iv）的自相关性的符号的订单的非会员在帐外市场正在慢慢衰减。我们还分析了随着时间的推移，无论是积极的和消极的滞后，电子交易和帐外交易的账面价格的影响函数。电子交易和帐外交易的无条件影响曲线非常不同。此外，电子交易的影响对交易量的依赖性较小，而非电子交易的影响函数的形状和大小强烈依赖于交易量。
2011-02-03 q-fin.TR
Analysis of trade packages in Chinese stock market
本文对中国股票市场中23只股票的连续买入或卖出序列组成的交易包进行了实证研究。我们研究了交易包的执行时间、交易数量和总交易量的概率分布，并分析了它们之间可能存在的标度关系。机构投资者和个人投资者之间存在数量差异。交易包的交易配置文件进行了调查，以揭示大交易的交易量和交易时间的一天中的偏好，和两种类型的投资者的不同配置文件意味着机构可能比个人更知情。我们进一步分析了整个交易包和交易包内的单个交易对价格的影响。我们发现，交易包的价格影响是不可忽略的，在执行时间的一段时间，它可能有一个幂律关系的总交易量。交易包内交易的价格影响相对于一天中的时间$t$显示出U形曲线，并且还显示出对交易量的幂律依赖性。机构交易包内的交易量对当前回报的影响更大，但与个人交易相比，以下价格反转持续的时间相对较短。
2011-03-08 q-fin.TR
The Power of Trading Polarity: Evidence from China Stock Market Crash
买卖失衡对市场趋势的形成有着深刻的影响，但对买卖失衡的细粒度研究尚不多见。本文以深圳证券交易所的大量股票为研究对象，利用一个独特的交易数据集，考察了高频交易中买卖双方在人次水平上的不平衡现象，即“交易极性”。交易极性从交易欲望的本质上衡量了市场对股票的情绪。当使用极性来检验市场崩溃时，我们发现交易极性成功地反映了市场层面行为在翻转时间、深度和长度方面的变化。我们进一步研究极性和回报之间的关系。在市场层面，交易极性与收益率负相关，而在股票层面，这种相关性会根据市场情况而变化，成为市场心理转变的良好信号。此外，市场极性和市场情绪之间的显著相关性表明，我们提出的极性，这实质上是在高频交易数据的背景下计算，可以实时反映市场的情绪。交易极性确实为理解和预测市场行为提供了一种新的方法。
2018-02-04 q-fin.CP q-fin.TR
Pattern recognition in micro-trading behaviors before stock price jumps: A framework based on multivariate time series analysis
研究股价跳跃前的微观交易行为是金融监管和投资决策的重要问题。本研究提供一个新的框架来研究基于多元时间序列分析的跳跃前交易行为。与现有文献不同的是，我们的方法考虑了嵌入在交易相关属性的时间信息，可以更好地评估和比较不同属性的异常水平。此外，它可以探索属性的联合信息量，以及选择一个子集的高信息量，但冗余最小的属性来分析的同质和特质模式在跳前交易的个股。此外，我们的分析涉及一组技术指标来描述微观交易行为。为了说明该方法的可行性，基于中国证券指数300的189只成分股的二级数据进行了应用案例。评估和比较了预测价格跳跃的属性的单独和联合信息水平。为此，我们的实验提供了一组跳跃指标，可以代表中国股票市场的跳前交易行为，并检测了一些股票的极端异常跳前交易。
2021-02-26 q-fin.ST q-fin.TR
Dynamics of price and trading volume in a spin model of stock markets with heterogeneous agents
在最近提出的一个泡沫和崩溃出现的自旋模型的框架内，讨论了具有异质代理的股票市场的动态。我们在模型中将股票价格的对数收益率与磁化强度联系起来，发现它与真实市场中观察到的交易量密切相关。对数收益率的累积分布表现出指数比2更陡的标度，并且在牛市和熊市之间的过渡时间分布中观察到标度。
2002-07-10 cond-mat.stat-mech q-fin.TR
How Wave - Wavelet Trading Wins and "Beats" the Market
本文的目的是展示交易策略，这些策略解决了商业金融、经济学和统计学中三个困难而有趣的问题。本文讨论了商品和股票的交易策略，但主要集中在纽约证券交易所的股票市场交易。问题一：低买高卖。低买高卖的问题可以概括为：假设商品或股票的价格无限期波动，是否有任何明确的策略，让交易者通过低买高卖来“驾驭价格波动”，即使价格不上涨也最终获胜？问题二：“打败”市场。在第2部分中，第1部分中介绍的交易系统将转化为最终总是跑赢市场的策略。问题3：交易者的表现能胜过几何布朗运动吗？一般认为，不可能“击败”GBM，因为对历史价格的技术分析在预测未来价格时是无用的。论文的最后一部分表明，问题3的答案实际上是一个“是”，这是相当令人惊讶的。所提出的交易策略主要基于从市场价格的大小波动所产生的波浪和小波运动中获得的信息。它们不涉及对未来价格的任何预测或预测。行为经济学也在小波交易计划的决策过程中发挥作用。我的网站AgateTrading.com向公众开放。
2017-04-02 q-fin.TR
Trading Strategy with Stochastic Volatility in a Limit Order Book Market
本文利用Heston随机波动率模型来描述股票的波动性，并应用该模型推导和分析了证券市场中交易商的最优交易策略。我们也将我们的研究扩展到股票期权在存在随机波动率的情况下的做市。在数学上，该问题被表述为一个随机最优控制问题，受控状态过程是经销商的市值财富。证券市场上的交易商可以最佳地确定他们对标的股票或期权的报价。他们的目标是最大限度地提高交易的预期利润，惩罚与累积库存成本的方差成正比。
2016-02-01 q-fin.TR
VolTS: A Volatility-based Trading System to forecast Stock Markets Trend using Statistics and Machine Learning
本文提出 VolTS 交易系统，结合统计分析、k-means++ 波动率聚类与 Granger 因果检验识别股票预测关系，并通过回测验证其稳健获利能力。
2023-08-17 q-fin.PM q-fin.TR
The Stock Market as a Game: An Agent Based Approach to Trading in Stocks
正如战争有时被错误地描述为零和游戏--而实际上战争是一个负和游戏--股票市场交易，一个随着时间的推移的正和游戏，经常被错误地描述为零和游戏。这就是所谓的“零和谬误”--错误地认为，在股票市场交易所，一个交易者只能在其他交易者的头寸恶化的情况下改善自己的头寸。然而，绝对意义上的正和博弈可以被改写为相对意义上的零和博弈。同样，绝对意义上的负和游戏似乎已经被改写为相对意义上的零和游戏：否则，为什么零和游戏会被用来代表战争局势？这种重铸可能具有启发性或教育性的意义，但重铸必须明确说明，否则会产生混乱。关键词：博弈论，股票交易和基于智能体的人工智能。
2008-09-02 cs.AI cs.GT q-fin.TR
Profitability of simple technical trading rules of Chinese stock exchange indexes
尽管技术性交易规则已被金融市场从业者广泛使用，但其盈利能力仍存在争议。本文使用1992年5月21日至2013年12月31日的上海证券交易所综合指数（SHCI）和1991年4月3日至2013年12月31日的深圳证券交易所综合指数（SZCI），研究了移动平均线（MA）和交易区间突破（TRB）规则的盈利性。采用$t$ -检验来检验在交易信号条件下的平均收益是否与无条件收益显著不同，以及在买入信号条件下的平均收益是否与在卖出信号条件下的平均收益显著不同。我们发现TRB规则优于MA规则，短期可变移动平均（VMA）规则优于长期VMA规则。通过White的现实检验和考虑数据窥探效应，我们发现在不考虑交易成本的情况下，最佳交易规则优于买入并持有策略。一旦将交易成本计算在内，交易利润将被完全消除。我们的分析表明，简单的交易规则，如MA和TRB不能击败中国证券交易所指数的标准买入并持有策略。
2015-04-15 q-fin.ST q-fin.TR
Large-scale empirical study on pairs trading for all possible pairs of stocks listed on the first section of the Tokyo Stock Exchange
我们进行了大规模的实证数据分析，以检查所谓的配对交易的效率。基于相关的三个阈值，即启动，获利回吐和止损的“第一通道过程”的价差（差距）之间的两个高度相关的股票，我们构建了一个有效的策略，使贸易通过“积极”的股票对自动。该算法被应用到东京证券交易所的第一部分上市的$1,784$股票导致完全$1,590,436$对。我们在数字上证实，资产管理的配对交易有效地工作，至少在过去三年（2010-2012年）的数据集的意义上，利润率成为积极的（完全积极的套利）在大多数情况下的阈值对应的“吸收边界”在文献中的首次通过过程的可能组合。
2015-03-19 q-fin.CP q-fin.PM q-fin.TR
Patterns of trading profiles at the Nordic Stock Exchange. A correlation-based approach
我们调查的交易行为，芬兰个人投资者交易的股票选择计算OMXH25指数在2003年通过跟踪个人的日常投资决策。我们从多个方面验证了投资者集合是一个高度异质的系统。我们引入了一个相关性为基础的方法，能够检测到一个层次结构的交易配置文件的异质个人投资者。我们验证，检测到的层次结构是高度重叠的聚类结构与统计验证网络的方法时，使用适当的阈值的层次树。我们还表明，基于相关性的方法和统计验证的方法相结合，提供了一种方法来扩展的信息集群的投资者具有类似的交易配置文件中的一个强大的和可靠的方式。
2015-11-21 q-fin.GN q-fin.TR
A Comparative Evaluation of Predominant Deep Learning Quantified Stock Trading Strategies
本研究首先重建了三个由深度学习驱动的股票交易模型及其相关策略，这些模型代表了解决该问题的不同方法，并建立在围绕深度学习发展的许多理论的不同方面。然后，它试图从不同的角度比较这些策略的表现，通过交易模拟运行在三种情况下，当基准保持在历史低点较长一段时间。结果表明，在极端不利的市场环境下，由深度学习算法管理的投资组合能够通过生成回报序列来避免累计损失，这些回报序列将持续为负的沪深300基准回报向上移动。在这三者中，当基准持续亏损时，LSTM模型的策略产生最佳性能。
2021-04-06 cs.LG q-fin.TR
Patience vs. Impatience of Stock Traders
在高频交易中，推迟执行而不受惩罚的能力提供了一个重要的战略优势。为了阐明交易者之间的竞争，我们必须从市场预期和报价中制定一个执行价格形成的定量理论。这个理论是由福柯、卡丹和坎德尔在2005年提出的。我推导出渐近分布的出价/出价的耐心和不耐烦的交易者的比率的函数使用动态版本的福柯，卡丹和坎德尔动态限价订单簿（LOB）模型。LOB模型的动态版本允许对交易市场进行程式化但足够真实的表示。特别是，动态LOB允许模拟执行时间的分布和高频报价的价差。在理解交易是交易者之间执行即时性的竞争方面取得了重大的分析进展。定性的结果进行了比较，高流动性股票的经验量价分布。
2014-06-18 q-fin.TR
FinRL: A Deep Reinforcement Learning Library for Automated Stock Trading in Quantitative Finance
Columbia University（哥伦比亚大学）；AI4Finance LLC.（AI4Finance有限责任公司）；Ion Media Networks（Ion媒体网络公司）；Imperial College（帝国理工学院）；New York University (Shanghai)（上海纽约大学）
由于深度强化学习（DRL）已被公认为量化金融中的有效方法，因此获得实践经验对初学者很有吸引力。然而，要训练一个实用的日间行车灯交易代理，决定在哪里交易，以什么价格，什么数量，涉及到容易出错和艰苦的开发和调试。在本文中，我们介绍了一个DRL库FinRL，方便初学者暴露自己的量化金融，并制定自己的股票交易策略。除了易于复制的教程外，FinRL库还允许用户简化自己的开发，并轻松与现有方案进行比较。在FinRL中，虚拟环境配置有股票市场数据集，交易代理使用神经网络进行训练，并通过交易表现进行广泛的回测分析。此外，它还包括重要的交易约束，如交易成本，市场流动性和投资者的风险厌恶程度。FinRL的特点是完整性，实践教程和可重复性，有利于初学者：（i）在多个级别的时间粒度，FinRL模拟各种股票市场的交易环境，包括纳斯达克100，道琼斯工业平均指数，标准普尔500，恒生指数，上证50指数和沪深300指数;（ii）FinRL以模块化结构的分层架构组织，提供微调的最先进的DRL算法（DQN，DDPG，PPO，SAC，A2 C，TD 3等），FinRL提供了常用的奖励函数和标准的评估基线，以减轻调试工作量并提高可重复性;（iii）具有高度可扩展性，FinRL保留了一套完整的用户导入接口。此外，我们还结合了三个应用程序演示，即单一股票交易，多个股票交易和投资组合分配。FinRL库将在Github上提供，…
2022-03-02 cs.LG q-fin.TR
Short-term Market Reaction after Trading Halts in Chinese Stock Market
本文利用上海证券交易所的高频数据，研究了停牌后绝对收益率、交易量和买卖价差的动态变化。我们处理了2009年8月至2011年8月期间上海证券交易所203只股票的全部三种停牌类型，即盘中停牌、单日停牌和跨日停牌。我们发现，绝对收益率，交易量，并在买卖价差的情况下，在盘中暂停具有相同的模式与一个尖锐的峰值和幂律松弛之后。而对于不同类型的停牌，其峰值高度和松弛指数是不同的。从停牌原因或停牌持续时间的角度来看，跨日停牌后绝对收益率的松弛指数均大于日内停牌和单日停牌后的绝对收益率松弛指数，说明跨日停牌最有效。从价格走势来看，在停牌和停牌一天的情况下，正事件的超额绝对收益和超额交易量的松弛指数均大于负事件的松弛指数，说明正事件对停牌和停牌一天的影响大于负事件。相反，负面事件比正面事件更有效。
2014-06-23 q-fin.ST q-fin.TR
Co-trading networks for modeling dynamic interdependency structures and estimating high-dimensional covariances in US equity markets
本文利用高频协同交易关系构建股票动态网络，通过谱聚类发现具有经济意义且随时间演变的股票聚类，并据此提出高维协方差稳健估计器，显著提升投资组合配置效果。
2024-05-13 q-fin.PM q-fin.TR
Stock Trading via Feedback Control: Stochastic Model Predictive or Genetic?
我们寻求在考虑交易费用比例的情况下，讨论最适合股票交易的反馈控制结构。适用性是指稳健性和性能能力。通过考虑不同的一步预测质量，包括理想情况下，正确的预测每日股票价格的变化方向和最坏的情况下，两者都进行了测试。反馈控制结构分为两大类：随机模型预测控制（SMPC）和遗传。对于前三类控制器进行了讨论，从而区分两个Markowitz和一个动态对冲启发SMPC制定。对于后一类五交易算法dissucssed，从而区分两个不同的移动平均线（MA）的基础上，两个交易范围（TR）的基础上，和一个战略的基础上历史最佳（HistOpt）轨迹。本文还给出了一个初步的讨论如何修改动态套期保值启发SMPC配方可能作为替代马科维茨投资组合优化。所有八个控制器与五种不同的一步预测方法的组合在2015年11月27日至2016年11月25日期间对德国股票市场指数DAX的30个组成部分的每日交易进行了回测。
2017-10-04 cs.CE q-fin.TR
The normaly distributed daily returns in stock trading
在这份报告中，我们讨论了一种新的定量策略，用于选择最佳股票进行交易。金融界对这些基本概念都非常熟悉。这里的关键是理解1）应用于样本的标准分数和2）应用于现实生活中不同时间序列的相关因子。这些概念是我们研究的核心。我们将从介绍部分开始。在这一部分中，我们讨论了方差、协方差、相关因子、股票交易中的日收益率以及检验时间序列正态性的Shapiro-Wilk检验。接下来，我谈到了我的方法的核心（如果你想选择最佳股票进行交易，你会怎么做）。在这篇报道的最后，我谈到了一个新的想法，如果你想分析一个以上的股票时。我所有的工作都有一个基本的反思：预测股票方向是一种随机游走，没有人能100%确定股票的走向。我们所能做的，就是假装有一个赢/输比大于51%的技术。
2012-12-30 q-fin.ST q-fin.TR
Long Memory in Stock Trading
利用两个连续交易之间时间概率分布的矩（交易间时间分布）和每日交易数量分布的矩之间的关系，我们证明了基本点过程本质上是非马尔可夫的。详细分析了2003年1月至2003年9月期间莫斯科国际货币交易所EESR股票的所有交易，包括交易时间间隔之间的相关性。幂律衰减的相关性提供了一个额外的证据的长期记忆性质的一系列时间的交易。还考虑了2002年10月在德国证券交易所Xetra电子股票交易所交易的西门子、德国商业银行和Karstadt股票的所有交易数据集。
2004-02-06 cond-mat.stat-mech q-fin.TR
Stock Trading Volume Prediction with Dual-Process Meta-Learning
Peking University（北京大学）；Beijing Language and Culture University（北京语言大学）；Mizuho Securities Co., Ltd（瑞穗证券股份有限公司）
交易量预测是金融科技领域的基本目标之一，这有助于许多下游任务，例如，算法交易。以前的方法大多学习不同股票的通用模型。然而，这种做法忽略了个股的具体特征，对不同的股票应用同一套参数。另一方面，为每只股票学习不同的模型将面临数据稀疏或许多小盘股的冷启动问题。为了利用数据规模和个股的各种特征，我们提出了一种双进程元学习方法，将每只股票的预测作为元学习框架下的一个任务。我们的方法可以用元学习器对不同股票背后的共同模式进行建模，同时用股票相关参数对每个股票在不同时间段的特定模式进行建模。此外，我们建议以潜变量的形式挖掘每只股票的模式，然后将其用于学习预测模块的参数。这使得预测过程知道数据模式。大量的体积预测实验表明，我们的方法可以提高各种基线模型的性能。进一步的分析证明了我们提出的元学习框架的有效性。
2022-10-11 cs.LG q-fin.TR
Impact of information cost and switching of trading strategies in an artificial stock market
本文研究了连续双向拍卖市场中交易策略的转换及其对市场波动性的影响。我们描述的行为时，一些不知情的代理人，我们称之为切换器，决定是否要支付信息之前，他们的交易。通过为信息付费，他们表现得像知情的交易者。首先，我们验证了我们的模型能够重现真实金融市场中的一些程式化事实。其次，我们考虑了不同投资者结构下的转换与市场波动的关系。我们发现，市场波动性与转换者比例之间存在正相关关系。因此，我们得出结论，转换者是市场中的一个不稳定因素。然而，对于给定的固定比例的转换者，在给定的时间决定购买信息的转换者的比例与当前的市场波动性呈负相关。换句话说，如果有更多的代理人在某个时候为了解基本面价值而支付信息，市场波动性就会降低。这是因为转换者之间的信息扩散使市场价格更接近基本价值。
2014-07-06 q-fin.TR
Fast and Furious: A High-Frequency Analysis of Robinhood Users' Trading Behavior
该研究通过高频分析发现Robinhood用户更偏好大幅下跌股、反应迅速，且其交易行为受隔夜/日内波动、疫情、公司规模及行业的影响存在显著差异。
2023-07-20 q-fin.TR
Can We Learn to Beat the Best Stock
University of Toronto（多伦多大学）；Technion - Israel Institute of Technology（以色列理工学院）
提出了一种新的主动交易股票的算法。虽然传统的专家建议和“通用”算法（以及标准的技术交易算法）试图预测赢家或趋势，但我们的方法依赖于市场上所有股票对之间可预测的统计关系。我们对历史市场的实证结果提供了强有力的证据，证明这种类型的技术交易可以“击败市场”，而且可以击败市场上最好的股票。在这样做时，我们利用一个新的想法，在专家学习的背景下平滑的关键参数。
2011-06-30 cs.AI q-fin.TR
A parallel-network continuous quantitative trading model with GARCH and PPO
University of Electronic Science and Technology of China（电子科技大学）；Harbin Institute of Technology（哈尔滨工业大学）
在股票市场中，无论是专业投资者还是个人投资者，要想持续获利都是一项艰巨的任务。随着计算机科学和深度强化学习技术的发展，买入持有（Buy\&Hold，B\&H）已经被许多人工智能交易算法所超越。然而，信息和过程是不够的，这限制了强化学习算法的性能。因此，我们提出了一个并行网络连续定量交易模型，其中包含GARCH和PPO，以丰富基本的深度强化学习模型，其中深度学习并行网络层处理3个不同频率的数据（包括GARCH信息），并且邻近策略优化（PPO）算法与股票交易环境交互动作和奖励。在中国股票市场的5只股票上的实验表明，与基本的强化学习方法和实验模型相比，该方法获得了更多的额外收益。
2021-05-21 cs.LG q-fin.TR
Dynamical Models of Stock Prices Based on Technical Trading Rules Part I: The Models
在本文中，我们使用模糊系统理论转换的技术交易规则，通常使用的股票从业者的超额需求函数，然后用来驱动价格动态。技术交易规则是用自然语言记录下来的，其中大量存在模糊词语和模糊表达。在本文的第一部分中，我们将详细介绍如何将技术交易数学模型转化为非线性动力学方程。首先定义模糊集来表示技术交易规则中的模糊项;其次将每个技术交易启发式规则转化为一组模糊IF-THEN规则;再次将一组模糊IF-THEN规则组合成一个模糊系统;最后将这些模糊系统的线性组合作为价格动态方程中的超额需求函数。我们将各种技术交易规则转换为模糊系统，包括移动平均线规则、支撑和阻力规则、趋势线规则、大买家、大卖家和操纵者规则、波段和止损规则以及成交量和相对强度规则。仿真结果表明，这些技术交易规则驱动的价格动态是复杂的、混沌的，真实股票价格中常见的跳跃、趋势和自我实现等现象自然出现。
2016-02-21 cs.CE q-fin.ST q-fin.TR
Distributional Correlation--Aware Knowledge Distillation for Stock Trading Volume Prediction
Peking University（北京大学）；Mizuho Securities Co., Ltd（瑞穗证券株式会社）
传统的分类问题中的知识提取通过教师模型产生的软标签中的类相关性来传递知识，这在股票交易量预测等回归问题中不可用。为了解决这个问题，我们提出了一个新的蒸馏框架，用于训练一个轻量级的学生模型，在给定历史交易数据的情况下进行交易量预测。具体来说，我们将回归模型转化为概率预测模型，通过训练模型来预测交易量所属的高斯分布。因此，学生模型可以通过将其预测的分布与教师的分布相匹配，在更信息化的分布水平上向教师学习。进一步引入两个相关蒸馏目标，以鼓励学生与教师模型产生一致的成对关系。我们评估了一个真实世界的股票交易量数据集与两个不同的时间窗口设置的框架。实验表明，我们的框架是优于强基线模型，压缩模型大小的$5\times$，同时保持$99.6\%$预测精度。广泛的分析进一步表明，我们的框架是更有效的香草蒸馏方法在低资源的情况下。
2022-08-04 cs.LG 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
A Deep Reinforcement Learning Approach to Automated Stock Trading, using xLSTM Networks
Faculty of Computer Science and Engineering, Shahid Beheshti University（谢赫·贝赫什提大学计算机科学与工程学院）；Faculty of Electrical Engineering, Shahid Beheshti University（谢赫·贝赫什提大学电气工程学院）
本文提出利用xLSTM网络与深度强化学习结合，改进传统LSTM在处理时序数据时的不足，通过PPO算法优化交易策略，实验证明xLSTM在股票交易指标上表现更优。
2026-04-28 cs.CE cs.LG q-fin.TR
Memory effects in stock price dynamics: evidences of technical trading
技术交易代表一类基于价格时间序列趋势和重复模式分析的金融市场投资策略。根据标准的经济理论，这些策略不应该被使用，因为它们不能盈利。相反，众所周知，技术交易者存在并在不同的时间尺度上运作。在本文中，我们研究技术交易是否产生可检测的信号在价格时间序列，如果某种记忆效应被引入到价格动态。我们特别关注一个称为支撑和阻力的特定图形。首先，我们开发了一个标准来检测潜在的支持和阻力的值。作为第二步，我们表明，记忆效应的价格动态与这些选定的值。事实上，我们表明，价格更有可能重新反弹，而不是越过这些价值。这种效应是所谓自我实现预言的量化证据，即主体对未来股价行为的信念和情绪的自我强化。
2011-10-24 q-fin.ST q-fin.TR
An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework
本文提出了一个基于神经网络的利用技术分析指标的股票价格预测和交易系统。该模型首先使用最常用的技术分析指标将金融时间序列数据转换为一系列买入-卖出-持有触发信号。然后，多层感知器（MLP）人工神经网络（ANN）模型的训练在学习阶段的每日股票价格在1997年和2007年之间的所有道30股票。在训练阶段使用Apache Spark大数据框架。然后用2007年至2017年的数据对训练好的模型进行测试。结果表明，通过选择最合适的技术指标，神经网络模型在大多数情况下可以达到与买入持有策略相当的结果。此外，微调技术指标和/或优化策略可以提高整体交易表现。
2017-12-27 cs.CE q-fin.TR stat.ML
Combining Machine Learning Classifiers for Stock Trading with Effective Feature Extraction
Brac University（布拉卡大学）
本文提出一种动态选择约30个关键特征并结合四个分类器集成学习的股票交易方法，在2011至2019年间实现54.35%的利润，证明加权分类器混合优于单一预测器。
2023-08-11 cs.CE cs.LG q-fin.TR
A singular stochastic control approach for optimal pairs trading with proportional transaction costs
配对交易的最优交易策略已经通过模型进行了研究，这些模型试图通过假设没有交易成本来找到股票的最优份额，或者通过假设有交易成本的股票交易固定数量的最优时机来找到股票的最优份额。为了找到最优策略，使交易时间和股票数量都最优地确定在配对交易过程中，我们使用奇异随机控制的方法研究了一个最优配对交易问题的比例交易成本.假设一对股票的对数价格存在协整关系，我们考虑了一个投资组合优化问题，该问题涉及具有成比例交易成本的动态交易策略。我们证明了控制问题的值函数是一个非线性拟变分不等式的唯一粘性解，它等价于奇异随机控制值函数的自由边界问题.然后，我们开发了一个离散时间动态规划算法来计算的交易区域，并显示离散化方案的收敛性。我们用数值例子说明了我们的方法，并讨论了不同参数对交易区域的影响。我们在一个实证研究中研究了样本外的表现，包括六对美国股票从不同的行业部门选择，并证明了最优策略的效率。
2019-11-24 econ.EM q-fin.TR
Dynamical Models of Stock Prices Based on Technical Trading Rules Part III: Application to Hong Kong Stocks
在本文的第三部分中，我们将本文第一部分中建立的大买家和大卖家的价格动力学模型应用于香港证券交易所上市的前20名银行股和不动产股的每日收盘价。其基本思想是估计模型中大买家和大卖家的实力参数，并根据这些参数估计值做出买卖决策。我们提出了两种交易策略：（1）跟随大买家，当大买家开始出现而没有大卖家的迹象时买入，只要大买家还在那里就持有股票，一旦大买家消失就卖出股票;（2）驾驭情绪，当大买家的力量开始超过大卖家的力量时买入，一旦相反的情况发生就卖出股票。根据2007年7月3日至2014年7月2日的七年中均匀分布的245个两年期间隔（包括各种情景）的测试，如果投资者在此期间从基准买入并持有策略转换为跟随大买家或驾驭情绪策略，净利润将分别平均增加67%或120%。
2016-02-21 cs.CE q-fin.ST q-fin.TR
Fairness in Multi-agent Reinforcement Learning for Stock Trading
Capgemini Invent（凯捷 Invent）
不公平的股票交易策略已被证明是客户对交易的最负面看法之一，并可能导致公司的长期损失。投资银行通常会为多个目标资产相同但订单规模不同、时间框架和风险规避水平等要求不同的客户下达交易订单，从而无法同时优化总收益和个人收益。提前执行的订单会影响市场价格水平，因此延迟执行通常意味着额外的执行成本。在本文中，我们提出了一个新的计划，利用多智能体强化学习系统来获得股票交易策略的所有客户端之间保持收入和公平性的平衡。首先，我们证明了强化学习（RL）能够从经验中学习，并使交易策略适应复杂的市场环境。其次，我们证明了多代理RL系统允许为所有客户单独开发交易策略，从而优化个人收入。第三，我们使用广义基尼指数（GGI）聚合函数来控制所有客户端的收入公平水平。最后，我们实证证明了新方案的优越性，在提高公平性，同时保持收入的优化。
2019-12-14 cs.LG cs.MA q-fin.ST
Deep Reinforcement Learning in Quantitative Algorithmic Trading: A Review
The University of Edinburgh（爱丁堡大学）
电子股票交易已成为当今金融市场的主要内容，大多数交易现在都是完全自动化的。深度强化学习（DRL）代理被证明是许多复杂游戏（如国际象棋和围棋）中需要考虑的力量。我们可以把股票市场的历史价格序列和走势看作是一个复杂的不完全信息环境，在这个环境中，我们试图使回报利润最大化，风险最小化。本文回顾了深度强化学习在金融AI子领域取得的进展，更准确地说，是自动低频量化股票交易。许多被审查的研究都只是在不现实的环境中进行实验的概念验证，没有实时交易应用程序。就大多数工程而言，尽管与既定基线战略相比，所有工程的业绩在统计上都有显著改善，但没有获得可观的盈利水平。此外，实时在线交易平台缺乏实验测试，并且基于不同类型的日间行车线或人类交易员构建的代理之间缺乏有意义的比较。我们的结论是，DRL在股票交易中表现出巨大的适用性潜力，在强有力的假设下，专业交易员相媲美，但研究仍处于非常早期的发展阶段。
2021-05-31 cs.LG q-fin.TR
Trading networks, abnormal motifs and stock manipulation
本文从利用交易细节信息构建的复杂交易网络的角度研究基于交易的股价操纵。股票交易网络由节点和有向链路组成，其中每个交易者都是节点，如果前者向后者出售股票，则从一个交易者到另一个交易者形成链路。具体而言，三个异常的网络图案，这是由少数交易者形成的，这意味着潜在的价格操纵意图进行了研究。我们进一步研究了波动性，交易量，平均交易规模和营业额的动态与异常图案的大，中，小型交易相关的交易。结果发现，这些变量的峰值在异常事件，并表现出幂律积累在事件前的时间段和幂律松弛在事件后的时期。我们还发现，在买方发起的可疑交易后，累积超额收益率显著为正，并表现出温和的价格反转后，卖方发起的可疑交易。这些发现可以更好地理解，有利于价格操纵。我们的工作为利用复杂交易网络的异常图案来检测价格操纵提供了新的思路。
2012-12-31 physics.soc-ph q-fin.ST q-fin.TR
How Covid mobility restrictions modified the population of investors in Italian stock markets
本文调查了新冠病毒流动性限制如何影响意大利股票市场的投资者群体。该分析跟踪了2019年1月至2021年9月期间意大利股票个人投资者的交易活动，调查了他们的构成和交易活动在Covid-19封锁期间（2020年3月9日至5月19日）以及更普遍的疫情期间的变化。调查结果显示，从家庭的交易量来看，封锁限制伴随着对股票市场的兴趣激增。鉴于封锁期间价格普遍下跌，通常是反向投资的家庭是净买家，即使低于2019年交易活动的预期。这可以通过锁定期间约18.5万名新投资者（即自2019年1月以来从未交易过的投资者）的到来来解释，这些投资者平均比锁定前的投资者年轻10岁，男性比例更大。通过观察总损益，有明显的证据表明，这些新投资者在交易方面更熟练。因此，有迹象显示，封城以及更普遍的新型冠状病毒疫情，在金融投资者群体中造成了某种制度上的变化。
2022-07-30 q-fin.GN q-fin.TR
Deep Reinforcement Learning Approach for Trading Automation in The Stock Market
Ozyegin University（奥兹耶金大学）
深度强化学习（DRL）算法可以扩展到以前难以解决的问题。通过将金融资产价格“预测”步骤和投资组合的“分配”步骤结合在一个统一的过程中，产生能够与其环境交互的完全自主的系统，以通过试错来做出最佳决策，从而使用DRL，股票市场中的利润生成的自动化是可能的。这项工作代表了一个DRL模型产生有利可图的交易在股票市场，有效地克服了监督学习方法的局限性。考虑到股票市场施加的约束（例如流动性和交易成本），我们将交易问题描述为部分观察马尔可夫决策过程（POMDP）模型。然后，我们使用双延迟深度确定性策略梯度（TD 3）算法解决了POMDP问题，在看不见的数据集（测试数据）上报告了2.68夏普比率。从股票市场预测和智能决策机制的角度，论证了DRL在金融市场中相对于其他类型机器学习的优越性，证明了其可信性和战略决策的优势。
2022-07-05 cs.CE cs.LG q-fin.TR
The Impact of Execution Delay on Kelly-Based Stock Trading: High-Frequency Versus Buy and Hold
基于凯利著名的期望对数增长（ELG）准则的股票交易，是一个著名的最优资源配置的处方，在文献中受到了相当大的关注。使用ELG作为绩效指标，我们比较了交易执行延迟对高频交易与买入和持有的相对绩效的影响。虽然直觉上很明显，也很直接地证明，在交易成本足够高的情况下，买入并持有是更好的策略，但在没有交易成本的情况下，买入并持有是否仍然是更好的策略？当交易执行没有延迟时，我们证明了一个定理，答案是否定的。然而，当交易执行中存在延迟时，我们使用二进制格子股票模型来展示模拟结果，以表明答案可以是“是”。无论是否强制实行自筹资金，这都是正确的。
2019-07-20 math.OC q-fin.MF q-fin.TR
Deep Reinforcement Learning for Automated Stock Trading: An Ensemble Strategy
针对复杂动态股市中盈利策略设计的挑战，本文提出基于PPO、A2C、DDPG三种演员-评论家算法的深度强化学习集成交易策略，通过按需加载技术处理大数据，在道琼斯股票测试中夏普比率优于单独算法和基准。
2025-11-15 q-fin.CP q-fin.PM q-fin.TR
Trading activity as driven Poisson process: comparison with empirical data
我们提出了具有慢扩散平均速率的类泊松随机序列的点过程模型，并根据纽约证券交易所26只股票交易活动的经验数据调整了模型的参数。建议的比例随机微分方程提供了通用的描述的交易活动与相同的参数适用于所有的股票。
2007-10-08 physics.data-an physics.soc-ph q-fin.TR
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
An Application of Deep Reinforcement Learning to Algorithmic Trading
University of Liège（列日大学）
这篇科学研究论文提出了一种基于深度强化学习（DRL）的创新方法，以解决算法交易问题，即在股票市场的交易活动中的任何时间点确定最佳交易位置。它提出了一种新的DRL交易策略，以最大限度地提高夏普比率的性能指标在广泛的股票市场。这种新的交易策略被命名为交易深度Q网络算法（TDQN），其灵感来自流行的DQN算法，并显著适应手头的特定算法交易问题。由此产生的强化学习（RL）代理的训练完全基于从有限的股票市场历史数据集生成人工轨迹。为了客观地评估交易策略的绩效，本文还提出了一种新的、更严格的绩效评估方法。根据这种新的性能评估方法，有希望的结果报告TDQN战略。
2020-10-09 cs.AI cs.LG q-fin.TR
Crowded trades, market clustering, and price instability
类似交易同行的拥挤交易影响了资产价格的动态，可能产生系统性风险。我们提出了一个市场聚类措施，使用粒度交易数据。对于每只股票，聚类度量捕获了该股票中任何两个投资者之间的交易重叠程度。我们研究拥挤的交易对股票价格稳定性的影响，并表明市场聚集对股票收益率分布的尾部属性有因果关系，特别是正尾，即使在控制了通常认为的风险驱动因素之后。因此，投资者池多样性的减少可能对股票价格稳定产生负面影响。
2020-02-09 q-fin.RM q-fin.ST q-fin.TR
