Financial ratios and stock returns reappraised through a topological data analysis lens
公司的财务状况是公认的回报预测指标，是资产定价文献中大量异常现象的灵感来源。采用拓扑数据分析，我们重新审视了七个最常见的研究财务比率和股票收益率之间的关联问题。具体来说，TDA球映射算法被应用于可视化的点云的财务比率作为一个抽象的二维图形，很容易允许识别因素之间的相互依赖关系。这些关系很少是单调的，投资者利用TDA提供的知识获利的机会比比皆是。明确的潜力所提供的工具，TDA揭示新的光资产定价模型的证明。受益的范围仅受分析师获得信息的限制。
2019-11-23 q-fin.ST
Financial Market Trend Forecasting and Performance Analysis Using LSTM
金融市场趋势预测方法是当今金融市场研究的热点。目前仍然存在许多挑战，并且已经积极地进行了与之相关的各种研究。特别是近年来，基于神经网络的金融市场趋势预测的研究引起了人们的广泛关注。然而，以往的研究并未涉及在时间序列数据中表现良好的基于LSTM的金融市场预测方法。基于神经网络的预测技术和传统预测技术的性能也缺乏比较分析。本文提出了一种基于LSTM的金融市场趋势预测方法，并通过实验分析了其与现有金融市场趋势预测方法的性能。该方法通过数据预处理过程准备输入数据集，从而反映金融数据分析中使用的所有基本面数据、技术数据和定性数据，并通过LSTM进行全面的金融市场分析。本文对现有的金融市场趋势预测模型的性能进行了实验和比较，并根据金融市场的环境进行了性能分析。此外，我们使用开源和平台实现了所提出的方法，并使用各种金融数据指标预测金融市场趋势。
2020-03-31 cs.LG q-fin.ST
State Heterogeneity Analysis of Financial Volatility Using High-Frequency Financial Data
最近，考虑到低频市场动态，几个波动模型，采用高频金融数据，已经开发出来。然而，在金融市场中，我们经常观察到金融波动过程依赖于经济状态，因此它们具有状态异质结构。为了研究基于高频数据的状态异质市场动力学，我们引入了一个基于连续Ito扩散过程的波动率模型，该模型的日内瞬时波动率过程依赖于外生状态变量及其综合波动率。我们称之为状态异构GARCH-Ito（SG-Ito）模型。我们提出了一个拟似然估计程序与已实现波动率代理，并建立其渐近行为。此外，为了检验低频状态异质性，我们开发了Wald检验类型的假设检验程序。实证研究结果表明，标准普尔500指数波动存在杠杆效应、投资者关注度、市场流动性不足、股市联动性和节后效应。
2021-02-26 q-fin.ST stat.AP
On collective non-gaussian dependence patterns in high frequency financial data
对一篮子股票的滞后和同步日内价格增量的条件分布的分析揭示了相关性引起的波动微笑和峰度降低现象。一个基于多元t-Student分布的模型表明，观测效应是由金融时间序列的集体选择性非高斯相关性引起的。
2006-06-26 physics.soc-ph q-fin.ST
A Topological Approach to Scaling in Financial Data
有大量的工作，建立在数学和物理学工具的基础上，证明了金融市场价格在不同尺度下表现出自相似性。在本文中，我们探讨了使用分析拓扑来刻画金融价格序列。小波变换和傅立叶变换分别将信号分解成小波集和功率谱集，而本文提出的方法将时间序列分解成其总变化的分量。这一性质自然适用于分形标度特性的分析。
2017-10-24 q-fin.ST q-fin.TR
FinDiff: Diffusion Models for Financial Tabular Data Generation
University of St. Gallen（圣加仑大学）；Deutsche Bundesbank（德意志联邦银行）
FinDiff是一种扩散模型，用于生成高保真、保护隐私且实用的金融表格数据，以支持监管任务，如经济情景建模、压力测试和欺诈检测，并在三个真实数据集上优于基线模型。
2023-09-04 cs.LG q-fin.ST
TransBoost: A Boosting-Tree Kernel Transfer Learning Algorithm for Improving Financial Inclusion
Google（谷歌）
移动技术和金融技术的繁荣，孕育并扩大了各类金融产品的覆盖范围，有利于倡导金融普惠。它具有减少金融不平等的重要社会效益。然而，新用户特征分布鲜明、信用记录有限，以及新入局公司在处理复杂数据、获取精准标签方面经验不足，在个人金融风险评估方面带来的技术挑战，阻碍了普惠金融的进一步推进。为了应对这些挑战，本文开发了一种新的迁移学习算法（即，TransBoost），它结合了基于树的模型和核方法的优点。该算法采用并行树结构和有效的权值更新机制，在理论上保证了算法的有效性，使其在处理具有高维特征和稀疏性的真实世界数据时，能够在$O(n)$时间复杂度上表现出色。我们在两个公共数据集和腾讯移动支付的一个独特的大规模数据集上进行了大量的实验。结果表明，该算法在预测精度和效率方面优于其他最先进的基准迁移学习算法，对数据稀疏性具有更强的鲁棒性，并提供了有意义的模型解释。此外，考虑到金融风险水平，TransBoost使金融服务提供商能够为最大数量的用户提供服务，包括那些否则将被其他算法排除在外的用户。也就是说，TransBoost改善了金融包容性。
2021-12-16 cs.LG q-fin.ST
Wavelet Correlation Coefficient of 'strongly correlated' financial time series
在本文中，我们使用小波的概念，表明两个金融数据之间的相关系数不是恒定的，而是随着尺度从高相关值到强反相关值的变化。在经济物理学中，相关系数是演化金融数据的层次树和最小生成树的重要输入。
2003-10-24 cond-mat.stat-mech q-fin.ST
Financial Distress Prediction For Small And Medium Enterprises Using Machine Learning Techniques
College of Computer Science and Technology, Harbin Engineering University（哈尔滨工程大学计算机科学与技术学院）
财务困境预测在经济中起着至关重要的作用，通过准确预测失败结构的数量和概率，提供对一个国家经济增长和稳定的洞察。然而，由于中小企业固有的模糊性，预测其财务困境具有挑战性，导致融资成本增加，获得资金的机会减少。虽然已经为有效的FCP开发了几种策略，但它们的实现、准确性和数据安全性都低于实际应用。此外，其中许多策略对于部分数据集表现良好，但不适用于各种数据集。因此，有必要开发一种生产预测模型，以更好地执行订单并适应不同的数据集。在本文中，我们提出了一个特征选择算法FCP的基础上的元素信用和数据源收集。现有的财务困境预测模型主要依赖于财务报表，忽视了组织测试的及时性。因此，我们提出了一个企业FCP模型，更好地符合行业惯例，并结合了财务数据，公司治理质量和市场交易数据与相关向量机的瘦头成分分析的收集。实验结果表明，该策略能够在特征因子较少的情况下提高财务困境的预测效率。
2023-02-23 cs.LG q-fin.ST
Multivariate high-frequency financial data via semi-Markov processes
在本文中，我们提出了一个二元推广的加权指数半马尔可夫链研究高频价格动态的交易股票。我们假设金融收益率是由加权指数半马尔可夫链模型描述的。我们表明，通过蒙特卡罗模拟，该模型是能够重现重要的风格化的事实，金融时间序列一样的持续性波动，并在同一时间，它可以重现股票之间的相关性。该模型适用于意大利股票市场从2007年1月1日至2010年12月底的数据。
2013-05-02 q-fin.ST q-fin.TR
Financial Time Series Data Processing for Machine Learning
Lusis（卢西斯公司）
本文主要研究面向机器学习的金融时间序列数据处理。它介绍了最常见的缩放方法，然后比较了由此产生的平稳性和趋势预测有用信息的保存。它提出了一个实证测试的基础上学习简单的数据关系与简单的模型的能力。它还谈到了特定于时间序列的数据分割方法，避免了不必要的过拟合，并提出了各种标签的分类和回归。
2019-07-03 cs.LG q-fin.ST stat.ML
A Review on Graph Neural Network Methods in Financial Applications
North Carolina State University（北卡罗来纳州立大学）；Fudan University（复旦大学）
金融数据具有多个组成部分和多个关系，它既能表示个体特征，又能表示复杂关系，因此通常以图形数据的形式表示。由于金融市场的复杂性和波动性，在金融数据上构建的图往往是异构或时变的，这给建模技术带来了挑战。在图建模技术中，图神经网络（GNN）模型能够处理复杂的图结构，并具有很好的性能，因此可以用于解决金融问题。在这项工作中，我们提供了一个全面的审查GNN模型在最近的金融环境。我们首先对常用的金融图进行分类，并总结每个节点的特征处理步骤。然后，我们总结了GNN方法的每一个图类型，在每个领域的应用，并提出了一些潜在的研究领域。
2022-04-26 cs.LG q-fin.ST stat.AP
Fluctuations in time intervals of financial data from the view point of the Gini index
我们提出了一种方法来解释金融市场数据的时间间隔波动的角度来看，基尼指数。我们显示了显式形式的基尼指数的威布尔分布，这是一个很好的候选人来描述第一次通过时间的外汇汇率。基尼系数的解析表达式与经验数据分析的结果非常接近。
2006-12-30 physics.data-an physics.soc-ph q-fin.ST
Towards Financially Inclusive Credit Products Through Financial Time Series Clustering
University of the Witwatersrand（威特沃特斯兰德大学）
提出一种新颖的时间序列聚类算法，通过分析消费者交易数据理解其金融行为，帮助金融机构在不依赖传统信用评分的情况下提供普惠信贷、储蓄和保险产品。
2024-02-16 cs.CY cs.LG q-fin.ST
Gaussian process imputation of multiple financial series
Center for Mathematical Modeling（数学建模中心）
在金融信号处理中，金融指标、股票价格和汇率等多个时间序列由于对市场潜在状态的依赖性而具有很强的耦合性，因此需要对它们进行联合分析。我们专注于学习金融时间序列之间的关系，通过一个多输出高斯过程（MOGP）与表达协方差函数建模。了解金融序列之间的市场依赖关系对于金融观测的估算和预测至关重要。该模型在两个真实的金融数据集上进行了实验验证，并分析了它们在不同渠道之间的相关性。我们比较我们的模型与其他MOGP和独立的高斯过程的真实金融数据。
2020-02-11 cs.LG eess.SP q-fin.ST
FinBloom: Knowledge Grounding Large Language Model with Real-time Financial Data
Indian Institute of Management Ahmedabad（印度管理学院阿赫迈德亚德分校）；Aalto University School of Business（阿尔托大学商学院）
FinBloom通过实时金融数据增强LLMs能力，实现高效金融任务处理。
2026-02-27 cs.AI cs.CL cs.IR
Deep Learning Models Meet Financial Data Modalities
Sirius University of Science and Technology（西里乌斯科学技术大学）
本研究将深度学习模型与多种金融数据模态整合，提出基于嵌入和图像化限价订单簿快照的新方法，在高频交易中达到最先进性能，提升交易策略预测能力。
2025-04-21 cs.AI cs.CE cs.LG
