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
Decision Trees for Intuitive Intraday Trading Strategies
本研究利用决策树为NIFTY50个股生成个性化日内交易规则，经回测验证，多数股票表现优于买入持有策略，可提升交易效率。
2024-05-22 q-fin.ST
Improved Method of Stock Trading under Reinforcement Learning Based on DRQN and Sentiment Indicators ARBR
随着人工智能在金融领域的应用，量化交易被认为有利可图。基于此，本文提出了一种改进的深度递归DRQN-ARBR模型，因为现有的量化交易模型忽略了投资者非理性行为对市场的影响，使得在我国股票市场非有效的环境下应用效果不佳。该模型通过将原模型中的全连接层改为LSTM层，并使用情感指标ARBR构建交易策略，解决了传统DQN模型经验数据存储内存有限、可观测马尔可夫特性对性能影响等问题。同时，本文还改进了原模型中库存状态较少的缺点，选择了更多的技术指标作为模型的输入值。实验结果表明，本文提出的DRQN-ARBR算法能够显著提高股票交易中强化学习的性能。
2021-11-19 q-fin.ST
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
Unveiling correlations between financial variables and topological metrics of trading networks: Evidence from a stock and its warrant
交易者采用不同的交易策略，以最大限度地提高他们在金融市场的回报。这些交易策略不仅会导致交易网络中特定的拓扑结构，将交易者与成对的买卖关系联系起来，而且还会对市场动态产生潜在的影响。本文基于2005年8月22日至2006年8月23日宝钢股份及其权证的交易审计跟踪数据，详细分析了交易网络中交易者结构与市场行为的关系。在我们的研究中，我们将每个交易日分为48个时间窗口，每个时间窗口的长度为5分钟，在每个窗口内构建一个交易网络，并获得了超过1,100个交易网络的时间序列。我们发现，有很强的同时相关性之间的拓扑指标（包括网络中心化，指数，平均路径长度）的交易网络，订单执行模式和金融变量（包括回报率，波动性，交易持续时间，交易量）的股票和权证的特征。我们的分析可能为复杂系统中元素之间的微观相互作用如何影响系统的性能提供新的思路。
2013-08-05 q-fin.ST
Stock returns versus trading volume: is the correspondence more general?
本文利用波兰股票市场的高频数据，对股票市场收益与相应交易量之间的关系进行了定量分析。首先，对于交易时间足够长的股票，我们研究了收益率和成交量分布，并确定了它们与幂律函数的一致性。我们发现，对于大多数股票，这两个分布的标度指数系统地相关的约2倍的回报率较大。其次，我们研究了给定交易量的交易对价格的影响，发现这种影响可以用平方根相关性来很好地描述：r（V）V^（1/2）。我们的结论是，波兰市场的数据的属性类似于文献中报道的关于某些成熟市场。
2013-10-28 q-fin.ST
Preferred numbers and the distribution of trade sizes and trading volumes in the Chinese stock market
利用2003年深圳证券交易所22只流通股的限价订单簿数据，研究了22只流通股的交易规模和交易量的分布。我们观察到，个股交易规模分布呈现跳跃性，这是由交易者下单时的数量偏好造成的。我们分析了“$q$ -Gamma”函数用于Cramér-von Mises准则拟合分布的适用性。在不同的时间尺度$Δ{t}$从1分钟到240分钟的交易量的经验PDF可以很好地建模。$q$ -Gamma函数对多笔交易的适用性仅限于交易编号$Δ{n}\leqslant8$。我们发现，所有的PDF有大容量的幂律尾巴。通过仔细估计交易规模和交易量分布的平均尾部指数$α$，我们得到了$α>2$，远远超出了L{é}vy制度。
2008-12-08 q-fin.ST
Analysis of Realized Volatility in Two Trading Sessions of the Japanese Stock Market
我们分析了使用东京证券交易所高频股票数据构建的已实现波动率。为了避免波动率计算中的非交易时间问题，我们定义了两个已实现波动率，分别在东京证券交易所的两个交易时段，即上午和下午时段计算。在计算了不同采样频率下的已实现波动率之后，我们评估了作为采样频率的函数的来自微结构噪声的偏差。考虑到对已实现波动率的偏差，我们检验了由已实现波动率标准化的收益率，并确认东京证券交易所的价格收益率近似地由具有时变波动率的高斯时间序列描述，即与混合分布假设一致。
2013-04-22 physics.data-an q-fin.ST
Correlations and clustering in the trading of members of the London Stock Exchange
本文分析了伦敦证券交易所不同成员交易模式的相关性。与成员机构相关联的策略集合由该机构以小时间隔交易的净交易量的符号序列定义。使用几种方法，我们表明，有显着的和持久的相关性机构之间。此外，相关性被构造成相关和反相关组。聚类技术使用的相关性作为距离度量揭示了一个有意义的聚类结构，两组机构交易方向相反。
2007-09-20 physics.soc-ph q-fin.ST
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
Improving CNN-base Stock Trading By Considering Data Heterogeneity and Burst
Case Western Reserve University（凯斯西储大学）；Nankai University（南开大学）；National Institute of Health（国立卫生研究院）；Kent State University（肯特州立大学）；California State University Long Beach（加州州立大学长滩分校）
近年来，已经有相当多的尝试将智能技术应用于金融交易，即，构建基于历史股价的自动智能交易框架。由于金融市场的不可预测性、不确定性和波动性，研究人员也采用深度学习来构建智能交易框架。在本文中，我们建议使用CNN作为这种框架的核心功能，因为它能够学习空间依赖性（即，在行和列之间）。然而，与现有的基于深度学习的交易框架不同，我们开发了新的归一化过程来准备股票数据。特别是，我们首先经验性地观察到，股票数据本质上是异质性和突发性的，然后从统计的角度验证股票数据的异质性和突发性。接下来，我们设计的数据规范化方法的方式，使数据的异质性被保留和突发事件被抑制。我们在29只股票上验证了基于CNN的交易框架和我们新的标准化方法。实验结果表明，该方法的性能优于其他比较方法。
2023-03-14 cs.LG q-fin.ST
StockGPT: A GenAI Model for Stock Prediction and Trading
MKT MediaStats, LLC（MKT MediaStats有限责任公司）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）
StockGPT利用自回归数字模型从近百年美股日收益数据中自动学习收益模式，其预测构建的多空组合无需人工策略即可显著跑赢主流因子，揭示了生成式AI在金融投资决策中的潜力。
2024-10-23 cs.AI q-fin.CP q-fin.PM
Detrended cross-correlations between returns, volatility, trading activity, and volume traded for the stock market companies
我们考虑几个表征股票市场在固定时间间隔内交易的量：对数回报率、波动率、交易活动（即，交易数量）和交易量。我们的研究是基于美国股票市场的经验数据，包括一个tick-by-tick记录的31只股票在道琼斯工业平均指数在2008年至2011年的不同时间单位，从1分钟到10分钟，这些数量之间的幂律互相关。由于除了收益率之外，所有考虑的量都显示出与一天中不同时间的可变交易活动相关的强烈的每日模式，这在自相关函数中最为明显，因此我们在继续研究之前通过去趋势来去除这些模式。我们应用多重分形去趋势交叉相关性分析与符号保持（MFCCA），并表明，最强的幂律交叉相关性之间存在的交易活动和交易量，而最弱的存在（甚至不存在）之间的回报和剩余的数量。我们还表明，最强的互相关进行的那些部分的信号，其特征在于由大，中方差。我们的观察，最令人信服的幂律交叉相关性发生在交易活动和交易量之间，揭示了这些量之间存在强烈的分形耦合。
2015-11-10 q-fin.ST
On Simultaneous Long-Short Stock Trading Controllers with Cross-Coupling
同时多空（SLS）控制器交易的单一股票是已知的，以保证正的预期值的收益-损失函数相对于一个大类的股票价格动态。在文献中，这被称为鲁棒正期望（RPE）属性。将这一理论扩展到两只股票交易的一个明显方法是使用各自独立的SLS控制器交易每一只股票。出于这样一个事实，即这样的计划不利用任何两个股票之间的相关性，我们研究的情况下，当两个股票的漂移之间的相对符号是已知的。本文的主要贡献有三方面：首先，我们提出了一种新的架构，其中我们交叉耦合两个SLS控制器的两个股票的情况下。其次，我们推导出一个封闭形式的表达式的期望值的增益-损失函数。第三，我们使用这个封闭形式的表达式来证明RPE属性是保证相对于一个大类的股票价格动态。当假设了超过相对符号的更多信息时，可以看到新架构的额外好处。例如，当模型中包含股票收益的均值和协方差的边界或精确值时，数值模拟表明，对于相同水平的预期交易收益，我们的新控制器可以实现比一对解耦SLS控制器更低的交易风险。
2020-11-18 q-fin.MF q-fin.ST
Multiclass Sentiment Prediction for Stock Trading
George Washington University（乔治华盛顿大学）
Python用于下载和格式化与400个公开交易的低市值相关的NewsAPI文章数据。生物技术公司。众包被用来标记这些数据的一个子集，然后训练和评估各种模型，以分类每个公司的公众情绪。然后，表现最好的模型被用来表明，完全脱离公众情绪的交易可以提供优于市场的回报。
2022-09-28 cs.LG q-fin.ST
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
Selecting stock pairs for pairs trading while incorporating lead-lag relationship
配对交易是在金融市场中进行的一种交易，其目的是利用已知的股票对之间的均衡关系赚取巨额利润。在金融市场中，很少看到股票对在特定的领先或滞后处相关。这种超前-滞后关系已在各种金融市场中进行了实证研究。早期的研究工作提出了各种措施，以确定最好的对交易，但他们没有考虑这种领先滞后效应。本研究提出了一种新的距离测度，它结合了股票之间的领先滞后关系，同时选择最佳的配对交易。此外，允许股票之间的超前-滞后值随时间连续变化。通过在两个不同的数据集上进行实验，一个对应于印度公司，另一个对应于美国公司，展示了拟议措施的重要性。当所提出的度量与SSD度量一起被棒化时，即，当通过优化这两个度量来识别配对时，与所有其它度量相比，所选择的配对始终产生最佳利润。最后，可能的推广和扩展所提出的距离测量进行了讨论。
2019-12-31 cs.CE q-fin.ST
Mining Illegal Insider Trading of Stocks: A Proactive Approach
Tennessee Technological University（田纳西理工大学）
非法内幕交易的股票是基于释放非公开信息（例如，新产品发布、季度财务报告、收购或合并计划）。由于股票市场的复杂性、非线性和非平稳性，使得非法内幕交易的检测非常困难。在这项工作中，我们提出了一种方法，检测和预测非法内幕交易的结构化和非结构化数据的大型异构源主动使用基于深度学习的方法结合离散信号处理的时间序列数据。此外，我们使用基于树的方法来可视化事件和操作，以帮助分析师理解大量非结构化数据。使用现有的数据，我们发现，我们的方法在检测非法内幕交易模式有很好的成功率。
2018-11-07 cs.LG q-fin.ST stat.ML
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
Stock index futures trading impact on spot price volatility. The CSI 300 studied with a TGARCH model
一个TGSTMI模型被认为是最佳的基础上调查的影响，指数期货交易对现货价格波动。本文以沪深300指数为研究样本，对中国股市的波动性进行了实证分析。实证结果表明，沪深300指数期货交易的推出显著降低了相应现货市场的波动性。研究还发现，沪深300现货市场与CCSI-300-IF市场之间存在平稳的均衡关系。双向格兰杰因果关系也被检测到。“最后”，推断出现货价格在3或4个滞后日的时间跨度内预测的准确性更高。
2021-08-29 q-fin.GN q-fin.ST
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
Real-time Trading System based on Selections of Potentially Profitable, Uncorrelated, and Balanced Stocks by NP-hard Combinatorial Optimization
本文提出基于模拟分叉Ising机器与FPGA的实时股票交易系统，通过NP难组合优化选择delta中性、低相关且高预期收益的股票组合，并在东京证券交易所实现N=128、164 μs延迟的多空交易。
2023-07-12 cs.ET q-fin.ST
Multi-Agent Stock Prediction Systems: Machine Learning Models, Simulations, and Real-Time Trading Strategies
该研究聚焦股价预测问题，对比评估多种循环神经网络架构的预测性能，发现基于注意力机制的模型因能同时捕捉长短依赖实现最高准确率，为AI驱动金融预测及高效交易系统开发提供参考。
2025-02-21 cs.LG q-fin.ST
Statistical Properties and Pre-hit Dynamics of Price Limit Hits in the Chinese Stock Markets
一些股票市场（尤其是新兴市场）采用涨跌停板交易规则，试图冷却交易员对个股的短线交易狂热，提高市场有效性。在这种微观结构下，股票可能会不时触及涨停板和跌停板。然而，由于美国市场和大多数欧洲市场等主要股票市场没有设置价格限制，因此对价格限制的行为没有很好的研究。本文对2000 - 2011年上海证券交易所和深圳证券交易所所有A股普通股的高频数据进行了详细的分析，研究了涨停板的统计特性以及几个重要金融变量在股价涨停板前的动态演化。我们比较了上限命中和下限命中的性质。我们还将整个时期分为三个看涨时期和三个看跌时期，以揭示看涨和看跌市场状态下可能存在的差异。为了揭示股票市值对涨停板的影响，我们根据不同交易日的市值将所有股票分为六个投资组合。研究发现，涨跌幅限制交易规则具有冷却效应（反对磁铁效应），说明该规则在中国股票市场中有效。研究发现，在跌停后的下一个交易日，价格延续比价格反转更有可能发生，特别是对于跌停，这对市场从业者具有潜在的实用价值。
2015-03-12 q-fin.ST
On non-markovian nature of stock trading
使用的两个连续的行业之间的时间的概率分布的时刻（intertrade时间分布）和分布的时刻的每日交易数量之间的关系，我们表明，基本点过程产生的时间的行业是一个基本上非马尔可夫的长期记忆。这一点过程的长程记忆性质的进一步证据是由交易时间间隔之间的幂相关性提供的。该数据集包括2003年1月至2003年9月在莫斯科国际货币交易所交易的EESR股票的所有交易，以及2002年10月在德意志交易所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。
2004-03-18 cond-mat.other q-fin.ST
Joint analysis and estimation of stock prices and trading volume in Barndorff-Nielsen and Shephard stochastic volatility models
我们引入了Barndorff-Nielsen和Shephard随机波动率模型的一个变体，其中非高斯Ornstein-Uhlenbeck过程描述了交易强度的一些度量，如交易量或交易次数，而不是不可观察的瞬时方差。在一个非扩散但允许跳跃的二元模型中，我们基于鞅估计函数给出了一个显式估计。假设这两个量都是在固定宽度的离散网格上观测的，并且观测视界趋于无穷大。我们证明了估计量是相合的和渐近正态的，并给出了渐近协方差矩阵的显式表达式。我们的方法是通过有限样本实验和统计分析，在纽约证券交易所（NYSE）的国际商业机器公司（IBM）的股票和微软公司（MSFT）的股票在纳斯达克上市的五年的历史。
2008-10-13 math.PR math.ST q-fin.ST
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
Social Network based Short-Term Stock Trading System
Politecnico di Milano（米兰理工大学）
本文提出了一种新的自适应算法的自动化短期交易的金融工具。该算法采用语义情感分析技术来检查Twitter帖子，并使用它们来预测股票市场的行为。事实上，该算法是专门开发的，以利用情绪和特定金融工具的过去价值，以选择最佳投资决策。这使得算法能够确保通过在股票市场上交易获得的利润最大化。我们进行了投资模拟，并比较了我们提出的性能与一个著名的基准（DJTATO指数）和最佳的结果，其中投资者提前知道产品的未来价格。结果表明，我们的方法优于基准测试，并取得了接近最优结果的性能得分。
2018-01-16 cs.AI cs.SI q-fin.ST
Generating Trading Signals by ML algorithms or time series ones?
本研究探讨即时学习演算法产生交易讯号之效率，以高频股价为技术指标，并以随机森林组合产生交易讯号。类似地，卡尔曼滤波器用于信号交易头寸。通过比较时间序列方法和机器学习方法，发现在股票价格在线学习预测的情况下，卡尔曼滤波对随机森林的预测结果是虚假的
2020-07-14 cs.CE q-fin.ST
Forecasting directional movements of stock prices for intraday trading using LSTM and random forests
BITS Pilani（比尔拉科学技术学院）；Nanyang Technological University（南洋理工大学）
我们采用随机森林和LSTM网络（更准确地说是CuDNNLSTM）作为训练方法，分析它们在预测1993年1月至2018年12月期间标准普尔500指数成分股的样本外方向性走势方面的有效性。我们引入了一个多功能的设置，不仅包括收盘价的回报，但也相对于开盘价和日内回报。作为交易策略，我们使用Krauss et al.（2017）和Fischer & Krauss（2018）作为基准。在每个交易日，我们买入概率最高的10只股票，卖空概率最低的10只股票，以获得超过市场的日内回报--所有股票的货币权重都是相同的。我们的实证结果表明，在交易成本之前，多特征设置使用LSTM网络提供了0.64%的每日回报，使用随机森林提供了0.54%的每日回报。因此，我们的表现优于Fischer & Krauss（2018）和Krauss et al.（2017）中的单一特征设置，仅包括收盘价的每日回报，LSTM和随机森林的相应每日回报分别为0.41%和0.39%。
2021-06-30 cs.LG q-fin.ST stat.ML
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
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
Using Stock Prices as Ground Truth in Sentiment Analysis to Generate Profitable Trading Signals
“大”（大量）社交媒体数据的日益可用性激发了大量应用情感分析来预测金融市场价格走势的研究。该领域以前的工作研究了如何将文本的真实情绪（即积极或消极的观点）用于金融预测，基于在线表达的情绪代表真实市场情绪的假设。在这里，我们考虑相反的想法，即在系统中使用股票价格作为基础事实可能是一个更好的情绪指标。根据所讨论的股票价格在接下来的一个小时内是上涨还是下跌，推文被标记为买入或卖出，并据此为各个公司建立特定的股票词典。贝叶斯分类器用于生成股票预测，这些预测被输入到自动交易算法。在一个月内配售468笔交易，回报率为5.18%，年化约为83%。这种方法的性能明显优于随机机会，优于两个基线情感分析方法测试。
2018-11-07 cs.CE q-fin.ST
Learning Multiple Stock Trading Patterns with Temporal Routing Adaptor and Optimal Transport
Sun Yat-sen University（中山大学）；Microsoft Research（微软研究院）
成功的量化投资通常依赖于对股票价格未来走势的准确预测。最近，基于机器学习的解决方案已显示出其提供更准确的股票预测的能力，并成为现代量化投资系统中不可或缺的组成部分。然而，I.I.D.现有的方法背后的假设是不一致的，在股票市场上存在的多样化的交易模式，这不可避免地限制了他们的能力，以实现更好的股票预测性能。在本文中，我们提出了一种新的架构，时间路由适配器（TRA），使现有的股票预测模型具有模拟多种股票交易模式的能力。从本质上讲，TRA是一个轻量级的模块，由一组独立的预测器组成，用于学习多种模式，以及一个路由器将样本分配给不同的预测器。然而，缺乏显式的模式标识符使得训练有效的基于TRA的模型变得相当具有挑战性。为了解决这一问题，我们进一步设计了一种基于最优传输（OT）的学习算法，以获得最优样本预测分配，并通过辅助损失项有效地优化具有这种分配的路由器。在真实世界股票排名任务上的实验表明，与最先进的基线相比，注意LSTM和Transformer，所提出的方法可以将信息系数（IC）分别从0.053提高到0.059和0.051提高到0.056。我们在这项工作中使用的数据集和代码是公开的：https://github.com/microsoft/qlib/tree/main/examples/benchmarks/TRA。
2021-06-25 cs.CE cs.LG q-fin.ST
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
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
Development of a hybrid method for stock trading based on TOPSIS, EMD and ELM
决定何时买入或卖出股票并不是一件容易的事，因为市场很难预测，受到政治和经济因素的影响。因此，基于计算智能的方法已被应用到这个具有挑战性的问题。在这项工作中，每天的股票排序技术的订单偏好的相似性理想的解决方案（TOPSIS）使用技术分析标准，并选择最合适的股票购买。即使如此，也可能出现市场在某些日子不利于购买，甚至TOPSIS做出错误的选择。为了改进选择，应该使用另一种方法。因此，提出了一种经验模式分解（EMD）和极端学习机（ELM）的混合模型。经验模态分解将序列分解为若干个子序列，从而提取主分量（趋势）。该分量由ELM处理，ELM执行分量的下一个元素的预测。如果ELM预测的值大于上一个值，则确认购买股票。该方法适用于巴西市场的50种股票。TOPSIS法所作的选择相比，随机选择和Bovespa指数产生的回报显示出可喜的结果。与EMD-ELM混合模型的确认能够增加利润交易的百分比。
2022-06-14 cs.NE q-fin.ST
On the Bound of Cumulative Return in Trading Series and the Verification Using Technical Trading Rules
尽管技术交易规则在股票市场中得到了广泛的应用，但技术交易规则的盈利能力仍然存在争议。本文首先给出并证明了累积收益率的上界，然后介绍了许多传统的技术交易规则。在此基础上，本文运用自助法，考察了技术交易规则在不同国际股票市场（包括发达市场和新兴市场）上的盈利性。最后，结果表明，技术交易规则很难战胜市场，甚至比随机交易策略的盈利能力更差。
2020-05-19 cs.CE q-fin.ST stat.OT
The Power (Law) of Indian Markets: Analysing NSE and BSE trading statistics
本文分析了印度金融市场波动的性质。我们已经研究了个股的价格回报率，其中包括印度国家证券交易所（NSE）的逐点数据以及印度最大的两个交易所NSE和孟买证券交易所（BSE）的每日收盘价数据。我们发现，在印度市场的价格回报遵循厚尾累积分布，符合幂律指数$α\sim 3$，类似于发达市场中观察到的。然而，交易量和交易数量的分布与纽约证券交易所（NYSE）的分布有所不同。此外，在印度市场，不同股票的价格走势高度相关。
2006-05-29 cond-mat.other physics.soc-ph q-fin.ST
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
High-performance stock index trading: making effective use of a deep LSTM neural network
University of Macedonia（马其顿大学）
我们提出了一个基于深度长短期记忆（LSTM）的神经网络来预测资产价格，以及一个成功的交易策略，用于根据模型的预测产生利润。我们的工作的动机是这样一个事实，即任何预测模型的有效性本质上是耦合到它所使用的交易策略，反之亦然。这突出表明了在制定共同最佳的模式和战略方面的困难，但也指出了比现行办法更广泛的调查途径。我们的LSTM模型在结构上很简单，并根据过去几个交易日的价格观察结果生成预测。该模型的架构被调整为提高盈利能力，而不是准确性，其策略不是简单地基于价格预测是上涨还是下跌进行交易，而是利用预测回报的分布，以及预测在该分布中的位置携带有关交易预期盈利能力的有用信息。该模型和交易策略在标准普尔500指数、道琼斯工业平均指数（DJIA）、纳斯达克指数和罗素2000指数上进行了测试，在2010-2018年期间分别实现了340%、185%、371%和360%的累计回报率，远远超过了基准的买入并持有策略以及最近的其他努力。
2019-05-08 cs.LG q-fin.ST stat.ML
Online High-Frequency Trading Stock Forecasting with Automated Feature Clustering and Radial Basis Function Neural Networks
Business School, University of Edinburgh（爱丁堡大学商学院）
本文提出一种结合双重竞争特征重要性机制与k-means聚类的高频交易股票预测方法，通过将k-means引入RBFNN实现自动特征选择与聚类，在20只标普500股票上验证了其有效性，消除了手动网格搜索并提升了中间价预测效率。
2024-12-27 cs.LG q-fin.ST
A Stock Trading System for a Medium Volatile Asset using Multi Layer Perceptron
University of L’Aquila（拉奎拉大学）
股票市场预测是一个利润丰厚的领域，有着可观的利润，但并非没有困难，对某些人来说甚至可能是失败的原因。金融市场本质上是复杂的、非线性的和混乱的，这意味着准确预测其中一部分资产的价格变得非常复杂。在本文中，我们提出了一种股票交易系统，其主要核心是前馈深度神经网络（DNN），以预测Abercrombie & Fitch公司（ANF）在纽约证券交易所（NYSE）股票市场发行的股票在未来30天的公开市场价格。我们所阐述的系统计算最有效的技术指标，并将其应用于DNN计算的预测，以生成交易。结果显示，盈利交易的预期比率为2.112%，夏普、索蒂诺和卡尔马比率分别为2.194、3.340和12.403。作为验证，我们在系统中采用了回溯模拟模块，该模块将交易映射到由ANF资产最近30天的公开市场组成的实际测试数据。总的来说，结果是有希望的，在短短一个月内从100美元的非常适度的预算中带来了3.2%的总利润率。这是可能的，因为系统通过选择最有效和最高效的交易减少了交易数量，节省了佣金和滑点成本。
2022-01-17 cs.LG q-fin.ST
Trading Devil Final: Backdoor attack via Stock market and Bayesian Optimization
INRS-EMT, University of Québec（INRS-EMT大学）
本文提出基于声学数据投毒和股票市场模型的MarketBackFinal 2.0后门攻击，利用贝叶斯优化揭示语音Transformer依赖LLM时的潜在安全漏洞。
2025-04-23 cs.CR cs.LG q-fin.CP
Evaluating the Building Blocks of a Dynamically Adaptive Systematic Trading Strategy
金融市场会突然改变它们的行为。由于宏观经济变量、政策或法规的根本性变化，股票的均值、方差和相关性模式可能会发生巨大变化。交易者需要调整自己的交易风格，以便在股票市场的不同阶段中发挥最大作用。同样，投资者可能希望投资于不同市场制度下的不同资产类别，以获得稳定的风险调整收益率。在这里，我们探讨使用状态转换马尔可夫自回归模型识别和预测不同的市场制度松散的威科夫价格制度的积累，分布，前进和下降。我们探讨了各种资产类别和市场部门在确定的制度的行为。我们研究交易策略，如趋势跟踪，区间交易，回撤交易和突破交易，在给定的市场制度，并为特定的制度量身定制。我们将最佳的交易策略和资产配置结合在一起，为确定的市场制度提出一个强大的动态自适应交易系统，以超越简单的传统阿尔法。
2018-12-06 q-fin.ST
A new approach for trading based on Long Short Term Memory technique
National School for Computer Science and Systems analysis（国家计算机科学与系统分析学院）；Mohamed V University（穆罕默德五世大学）
股票市场预测一直是利益相关者、交易者和投资者的关键。我们开发了一个集合长短期记忆（LSTM）模型，包括两个时间频率（年度和每日参数），以预测第二天的收盘价（提前一步）。基于四步方法，该方法是两种LSTM算法的串行组合。本文对417家纽约证券交易所上市公司进行了实证研究。基于开盘高、收盘低指标和其他财务指标，该方法证明了股票市场预测的改进。
2020-01-10 cs.LG q-fin.ST
Discovering Language of the Stocks
股票预测一直是研究人员和投资者的热门领域，因为财务收益可能是可观的。然而，股票预测可能是一项具有挑战性的任务，因为股票受到众多因素的影响，这些因素的影响随着时间的推移而迅速变化。本文提出了一种新的方法（Word2Vec）的股票趋势预测相结合的NLP和日本烛台。首先，我们从源OHLC数据创建一个简单的日语烛台语言。然后，使用单词的句子来训练NLP Word2Vec模型，其中训练数据分类还考虑了交易佣金。最后，该模型被用来预测交易行为。根据所获得的收益率，将所提出的方法与三种交易模型进行了比较：买入持有、MA和MACD。我们首先在苹果、微软和可口可乐的三只股票上评估了Word2Vec，它的表现优于比较模型。接下来，我们在罗素50强指数的股票上评估了Word2Vec，我们的Word2Vec方法在测试阶段也非常成功，在验证阶段仅落后于买入持有方法。Word2Vec在所有情况下都取得了积极的结果，而MA和MACD的平均收益率仍然低于Word2Vec。
2019-02-13 cs.CE q-fin.ST
An Improved Reinforcement Learning Model Based on Sentiment Analysis
随着人工智能技术的发展，以强化学习为代表的量化交易系统在股票交易市场中应运而生。作者将强化学习中的深度Q网络与情绪量化指标ARBR相结合，构建了股票市场的高频股票交易模型。为了提高模型的性能，采用PCA算法对特征向量进行降维，同时将市场情绪对多空力量的影响融入交易模型的空间状态，并采用LSTM层代替全连接层，解决了传统DQN模型由于经验数据存储量有限而带来的问题。通过运用累积收益、夏普比率来评价模型的性能并与运用双移动平均线等策略进行比较。结果表明，作者提出的改进模型在收益方面远远优于比较模型，实现了54.5%的最大年化收益率，这被证明能够显著提高股票交易中的强化学习性能。
2021-11-19 q-fin.ST
Multifractality in stock indexes: Fact or fiction?
对4个股票市场指数（包括恒生指数、深证成指、标普500指数和纳斯达克指数）在单个交易日内的日内数据进行多重分形分析和广泛的统计检验，以检验指数（而不是收益率）是否具有多重分形性。我们发现，质量指数$τ(q)$是线性的和奇异性$α(q)$是接近1的所有交易日和所有指数。此外，我们发现了强有力的证据表明，原始数据集的标度行为不能区分从那些混洗时间序列。因此，股票市场指数的多重分形性只是一种假象。
2007-06-14 physics.soc-ph q-fin.ST
Stochastic volatility of financial markets as the fluctuating rate of trading: an empirical study
我们提出了一个实证研究的从属假说的随机时间序列的股票价格。交易的波动率与股票价格的随机方差相一致，就像在连续时间随机游走（CTRW）框架中一样。对于给定的交易次数N，股票价格变化（对数收益）的概率分布近似为高斯分布。对于给定的时间间隔Dt，N的概率分布是非泊松分布，并且对于大的N具有指数尾，并且对于小的N具有尖锐的截止。结合这两个分布产生了一个非平凡的分布的对数回报率为一个给定的时间间隔Dt，它有指数尾部和高斯中心部分，与经验观察。
2006-12-11 physics.data-an physics.soc-ph q-fin.ST
Symmetry alteration of ensemble return distribution in crash and rally days of financial markets
我们选择在纽约证券交易所交易的$n$股票，并从股票价格时间序列中形成我们数据库中每个$k$交易日的每日股票收益的统计集合。我们研究了每个交易日的集合收益率分布，发现集合收益率分布的对称性在市场的崩溃和反弹日发生了剧烈的变化。我们将这些实证结果与基于单指数模型的数值模拟进行比较，得出结论，该模型无法解释极端日的市场行为。
2000-02-28 cond-mat.stat-mech q-fin.ST
Analysis of frequent trading effects of various machine learning models
School of Information and Mathematics, Yangtze University（长江大学信息与数学学院）
本研究开发了一种基于神经网络的高频交易算法，并比较了交叉熵损失函数与拟牛顿算法结合、FCNN模型和向量机三种数学模型的性能，旨在为投资者提供更准确可靠的股票交易策略。
2023-09-14 cs.LG math.OC q-fin.ST
High quality topic extraction from business news explains abnormal financial market volatility
ETH Zurich（苏黎世联邦理工学院）；The Canon Institute for Global Studies（佳能全球战略研究所）；Swiss Finance Institute（瑞士金融研究院）；University of Tsukuba（筑波大学）；The University of Tokyo（东京大学）
理解当今社会中信息流和社会活动之间的相互关系是社会科学的基石之一。在金融经济学中，这方面的关键问题是理解和量化所有可能类型的新闻（地缘政治，环境，社会，金融，经济等）影响有组织的股票市场中公司的交易和定价。在本文中，我们试图通过分析汤普森路透社提供的2400多万条新闻记录及其与标准普尔美国股票指数中206只主要股票交易活动的关系来解决这个问题。我们发现，整个景观的新闻，影响股价走势可以自动总结，通过简单的正则化回归之间的交易活动和新闻信息块分解，借助简单的主题建模技术，到他们的“主题”功能。使用这些方法，我们能够估计和量化新闻对交易的影响。我们引入基于网络的可视化技术来表示与一篮子股票相关的新闻信息的整个景观。对代表主题分布的词的检查证实，我们的方法能够提取影响股市的重要信息。我们的研究结果表明，金融经济中最令人困惑的程式化事实之一，即在某些时候，交易量似乎“异常大”，可以部分地用新闻流来解释。从这个意义上说，我们的研究结果证明，不存在“过度交易”，当限制在新闻是真正的新的，并提供相关的金融信息的时候。
2013-03-23 cs.LG cs.SI physics.soc-ph
A Reinforcement Learning Based Encoder-Decoder Framework for Learning Stock Trading Rules
最近提出了各种各样的深度强化学习（DRL）模型来学习有利可图的投资策略。特别是在高频交易环境中，这些模型学习的规则优于以前的策略。然而，它表明，从长期序列的原始价格的工具提取的功能的质量极大地影响了这些模型学习的交易规则的性能。事实证明，采用神经编码器-解码器结构从复杂的输入时间序列中提取信息特征在其他流行的任务中非常有效，如神经机器翻译和视频字幕，其中模型面临类似的问题。编码器-解码器框架从一长串价格中提取高度信息化的特征，并学习如何基于提取的特征生成输出。本文提出了一种基于神经编码器-解码器框架结合DRL的端到端模型，用于从一长串的原始价格序列中学习单一工具的交易策略。该模型包括一个编码器，这是一个神经结构，负责学习信息功能的输入序列，和一个解码器，这是一个DRL模型，负责学习有利可图的策略的基础上提取的特征的编码器。编码器和解码器结构的参数是共同学习的，这使得编码器能够提取适合于解码器DRL的任务的特征。此外，不同结构的编码器和各种形式的输入序列的学习策略的性能的影响进行了研究。实验结果表明，该模型优于其他国家的最先进的模型在高度动态的环境。
2021-01-08 cs.AI cs.LG cs.NE
