Inverse Signal Classification for Financial Instruments
Ben-Gurion University of the Negev（本-古里安大学）；Microsoft Corporation（微软公司）；Stockato LLC（Stockato有限责任公司）
本文介绍了新的机器学习方法：信号组合，它对时间序列进行分类，而不管长度、类型和数量;自标记，一种监督学习增强。本文进一步描述了在金融搜索引擎系统上使用2011年期间交易的7，881个金融工具的集合来识别时间序列中的逆行为的方法的实施。
2013-03-19 cs.IR cs.LG q-fin.ST
LaundroGraph: Self-Supervised Graph Representation Learning for Anti-Money Laundering
Feedzai（Feedzai公司）
反洗钱（AML）法规要求金融机构根据一套规则部署AML系统，当触发时，这些规则构成了由人类分析师评估的可疑警报的基础。审查这些案件是一项繁琐而复杂的任务，需要分析师在庞大的金融互动网络中导航，以验证可疑的流动。此外，这些系统具有非常高的假阳性率（估计超过95%）。标签的稀缺性阻碍了基于监督学习的替代系统的使用，降低了它们在现实世界应用中的适用性。在这项工作中，我们提出了LaundroGraph，一种新的自监督图表示学习方法，将银行客户和金融交易编码成有意义的表示。这些表示用于提供见解，以协助AML审查流程，例如识别特定客户的异常移动。LaundroGraph将金融交互的底层网络表示为客户交易二分图，并在完全自监督的链接预测任务上训练图神经网络。我们的经验表明，我们的方法优于其他强基线的自我监督链接预测使用真实世界的数据集，提高最佳的非图形基线的AUC的$12$ p.p.。我们的目标是通过在审查时向分析师提供这些人工智能支持的见解来提高审查流程的效率。据我们所知，这是AML检测背景下的第一个完全自我监督的系统。
2022-10-25 cs.AI cs.LG
Temporal Contrastive Transformer for Financial Crime Detection: Self-Supervised Sequence Embeddings via Predictive Contrastive Coding
NICE Actimize
本文提出了一种名为时间对比变压器（TCT）的表示学习框架，旨在捕捉金融交易序列中的时间动态。通过自监督对比目标训练模型，生成编码时间行为模式的嵌入，以支持下游的欺诈检测任务。实验结果显示，嵌入本身能实现有意义的预测性能（AUC 0.8644），但结合领域工程特征时，性能提升不显著（AUC 0.9205 vs. 0.9245），表明学习到的表示与现有特征抽象有较大重叠。这些发现表明TCT是一种有前景的表示学习方法，能够捕捉相关的行为信号，同时凸显了在强领域特征上实现加性价值的挑战。
2026-03-31 cs.CR cs.LG
Supervised classification-based stock prediction and portfolio optimization
Stanford University（斯坦福大学）
随着公开交易公司的数量以及它们的金融数据量的快速增长，非常期望具有自动化的跟踪、分析以及最终的股票选择。很少有作品专注于估计个别公司的股票价格。然而，其中许多都是在很少的财务参数下进行的。在这项工作中，我们应用机器学习技术来解决自动选股问题，同时为单个公司使用了比以前研究更多的财务参数。我们的方法是基于监督的预测参数，使用公司的基本面，时间序列属性，以及不同股票之间的相关性信息。我们研究了各种监督学习技术，发现使用股票基本面是一个有用的方法的分类问题，当结合高维数据处理能力的支持向量机。我们的系统通过预测股票的行为而建议的投资组合在3个月的时间内平均比整体市场增长3%，正如样本外测试所表明的那样。
2014-06-03 cs.CE cs.LG q-fin.PM
What do LLMs Know about Financial Markets? A Case Study on Reddit Market Sentiment Analysis
The Ohio State University（俄亥俄州立大学）；Google Research（谷歌研究院）
对社交媒体内容进行市场情感分析需要了解金融市场和社交媒体术语，这对人类评级人员来说是一项具有挑战性的任务。由此导致的高质量标记数据的缺乏阻碍了传统的监督学习方法。相反，我们使用带有大语言模型（LLM）的半监督学习来解决这个问题。我们的管道为具有LLM的Reddit帖子生成弱金融情绪标签，然后使用这些数据来训练一个可以在生产中使用的小模型。我们发现，促使LLM产生思想链摘要，并迫使它通过几个推理路径有助于生成更稳定和准确的标签，而使用回归损失进一步提高蒸馏质量。只有少量提示，最终模型的性能与现有的监督模型相当。虽然我们的模型的生产应用受到道德因素的限制，但该模型的竞争力表现表明，使用LLM进行其他需要技能密集型注释的任务具有巨大潜力。
2022-12-21 cs.AI cs.CL cs.LG
SuperDeConFuse: A Supervised Deep Convolutional Transform based Fusion Framework for Financial Trading Systems
Indraprastha Institute of Information Technology, Delhi（德里英德拉普拉斯塔信息技术学院）；Inria Saclay（法国国家信息与自动化研究所萨克雷中心）；CentraleSupélec（巴黎中央理工-高等电力学院）；Université Gustave Eiffel（古斯塔夫·埃菲尔大学）；ESIEE Paris（巴黎高等电子工程师学院）
本文提出了一种用于金融股票交易的监督多通道时间序列学习框架。虽然最近在这一领域提出了许多深度学习模型，但大多数都将股票交易时间序列数据视为二维图像数据，而其真正的本质是一维时间序列数据。由于股票交易系统是多通道数据，许多现有技术将其视为1-D时间序列数据，并没有提出任何技术来有效地融合由多个通道承载的信息。为了解决这两个缺点，我们提出了一个端到端的监督学习框架，该框架受到先前建立的（无监督）卷积变换学习框架的启发。我们的方法包括通过单独的一维卷积层处理数据通道，然后将输出与一系列完全连接的层融合，最后应用softmax分类层。我们的框架-SuperDeConclusion（SDCF）的特点是，我们删除了位于多通道卷积层和全连接层之间的非线性激活，以及位于后者和输出层之间的非线性激活。我们通过在训练阶段对上述层输出和过滤器引入合适的正则化来补偿这种去除。具体来说，我们在层滤波器上应用对数行列式正则化来打破学习变换中的对称性和强制多样性，而我们在层输出上强制非负约束以减轻死亡神经元的问题。这导致相对于标准卷积神经网络，更丰富的特征和滤波器集的有效学习。数值实验证实，所提出的模型产生了比最先进的深度学习技术更好的结果，为现实世界的股票交易问题。
2020-11-09 cs.LG q-fin.CP
Scalable and Weakly Supervised Bank Transaction Classification
该研究提出一种基于弱监督、NLP与深度神经网络的可扩展银行交易分类方法，借助启发式规则与领域知识减少对人工标注的依赖，构建端到端数据流水线，性能优于市场领先方案，可支撑财务报告、风控等金融应用。
2023-06-10 cs.LG
Combining supervised and unsupervised learning methods to predict financial market movements
Hamilton Institute, Maynooth University（梅努斯大学汉密尔顿研究所）；Maynooth University（梅努斯大学）；DLT Capital（DLT资本）
本文针对 Bitcoin、Pepecoin 和 Nasdaq 的分钟数据，结合线性模型、GMM、RF 与 KNN 提取特征并预测未来一小时走势，证明 GMM 滤波可提升泛化和平均收益。
2024-08-19 cs.LG q-fin.ST
Towards a Foundation Purchasing Model: Pretrained Generative Autoregression on Transaction Sequences
Featurespace
本文提出一种用于金融交易序列的生成式预训练方法，获取上下文化嵌入，并在包含51亿笔交易的大规模数据上预训练模型，显著提升了高精度阈值下的欺诈检测率与域外迁移能力。
2024-01-04 cs.LG
Bagging Supervised Autoencoder Classifier for Credit Scoring
Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工大学））
信用评分模型是银行和金融机构所依赖的最有效的风险管理工具之一，在过去的几十年里一直是一个热门的研究课题。因此，已经制定了许多办法来应对贷款申请人分类方面的挑战，并改进和促进决策。信用评分数据集的不平衡性以及信用评分数据集中特征的异质性，给开发和实施有效的信用评分模型带来了困难，目标是分类模型对看不见的数据的泛化能力。在本文中，我们提出了Bagging监督自动编码器分类器（BSAC），主要利用了监督自动编码器的优越性能，它学习输入数据的低维嵌入专门关于信用评分的最终分类任务，基于多任务学习的原则。BSAC还通过采用基于多数类欠采样的Bagging过程的变体来解决数据不平衡问题。我们在基准和真实信用评分数据集上的实验结果表明，Bagging Supervised Autoencoder Classifier在贷款申请人分类中的鲁棒性和有效性，可以被视为信用评分模型的积极发展。
2021-08-12 cs.LG stat.ML
Multi-view Contrastive Self-Supervised Learning of Accounting Data Representations for Downstream Audit Tasks
University of St. Gallen（圣加仑大学）；Deutsche Bundesbank（德国联邦银行）
国际审计标准要求直接评估财务报表的基本会计事项，即日记账分录。近年来，在人工智能发展的推动下，受深度学习启发的审计技术在审计大量期刊条目数据领域出现。如今，大多数此类方法依赖于一组专门的模型，每个模型都针对特定的审计任务进行了训练。与此同时，在进行财务报表审计时，审计小组面临着（一）具有挑战性的时间预算限制，（二）大量的文件义务，以及（三）严格的模型可解释性要求。因此，审计员在整个审计工作中倾向于只采用一种最好是“多用途”的模式。我们提出了一个对比自监督学习框架，旨在学习审计任务不变的会计数据表示，以满足这一要求。该框架包括利用日志条目数据的属性特征的故意交互数据增强策略。我们在两个真实世界的城市支付数据集上评估了该框架，并将学习到的表示转移到三个下游审计任务：异常检测，审计抽样和审计文档。我们的实验结果提供了经验证据，该框架提供了学习丰富的和可解释的“多任务”表示，以提高审计效率的能力。
2021-09-23 cs.CE cs.LG
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
Supervised Graph Contrastive Learning for Few-shot Node Classification
Arizona State University（亚利桑那州立大学）；Bytedance AI Lab（字节跳动人工智能实验室）
图存在于许多现实世界的应用中，例如金融欺诈检测、商业推荐和社会网络分析。但是考虑到图注释或标记的高成本，我们面临着严重的图标记稀缺问题，即，一个图可能有几个标记的节点。这种问题的一个例子是所谓的\textit{few-shot node classification}。解决这个问题的主要方法是求助于\textit{episodic meta-learning}。在这项工作中，我们提出了一个基本问题，元学习是否是一个必须的Few-Shot节点分类任务的挑战现状。我们提出了一个新的和简单的框架下的标准Few-Shot节点分类设置作为替代元学习一个有效的图形编码器。该框架由监督图对比学习与新的机制，数据增强，子图编码，和多尺度对比图。在三个基准数据集（CoraFull，Reddit，Ogbn）上的大量实验表明，新框架的性能明显优于最先进的基于元学习的方法。
2022-08-05 cs.LG
HELOC Applicant Risk Performance Evaluation by Topological Hierarchical Decomposition
Wright State University（莱特州立大学）；Air Force Research Laboratory（空军研究实验室）
金融行业的严格监管意味着任何基于机器学习的决策都需要解释。这排除了使用强大的监督技术，如神经网络。在这项研究中，我们提出了一种新的无监督和半监督技术称为拓扑层次分解（THD）。这个过程将数据集分解为更小的组，其中组与近似数据集底层拓扑的单纯复形相关联。我们将THD应用于FICO机器学习挑战数据集，该数据集由使用MAPPER算法构建单纯复合体的匿名房屋净值贷款申请组成。我们确定了无法偿还贷款的不同群体，并通过从数据集上的两个THD中提取说明性解释来说明如何使用单纯复形中的特征值分布来解释授予或拒绝贷款的决定。
2018-11-26 cs.LG stat.ML
A Large-Scale Dataset for Multi-Class Financial News Classification in Brazilian Portuguese
Federal University of Paraíba（帕拉伊巴联邦大学）；Federal University of Campina Grande（帕坎纳联邦大学）；Federal Rural University of Pernambuco（伯南布哥联邦农村大学）；Federal University of Pernambuco（伯南布哥联邦大学）
针对巴西葡萄牙语金融NLP数据集稀缺问题，构建含16万篇新闻的语料库，评估三种相似度方法，发现标签质量影响大，为该任务建立基线并提供研究参考。
2026-10-16 cs.CL cs.LG
Financial Text Classification Based On rLoRA Finetuning On Qwen3-8B model
LL Funds LLC（LL Funds有限责任公司）
本文提出基于rLoRA微调的Qwen3-8B模型，用于金融文本分类，展示了其在准确率和训练效率上的优势。
2025-11-29 cs.LG q-fin.CP
Exploring The Contribution of Unlabeled Data in Financial Sentiment Analysis
City University of Hong Kong（香港城市大学）；USTC-CityU Joint Advanced Research Centre（中国科学技术大学-香港城市大学联合高等研究中心）
随着情感分析在各行各业的广泛应用，利用公开的Web数据进行情感分析已成为近年来文本分类领域的一个活跃的研究领域。研究人员认为，半监督学习是解决这个问题的有效方法，因为它能够减轻人工标记的努力，这通常是昂贵的和耗时的。然而，在文本分类中，对未标记数据的有效性存在长期的争论。这部分是由于理论分析中的许多假设在实践中往往不成立。我们认为，这个问题可能会进一步理解，在实验中增加一个额外的维度。这使我们能够在更广泛的视角下从偏见和差异的角度来解决这个问题。我们表明，众所周知的性能下降的问题所造成的未标记的数据可以再现为整个场景的一个子集。我们认为，如果要更好地平衡偏置方差的权衡更有效的特征选择方法，未标记的数据是很可能提高分类性能。然后，我们提出了一个特征选择框架，其中标记和未标记的训练样本都被认为是。我们讨论了它在实现这种平衡方面的潜力。此外，选择在金融情感分析中的应用是因为它不仅是一个重要的应用，而且数据具有更好的说明力。最后讨论了本研究在文本分类和金融情感分析中的应用。
2013-08-03 cs.CL cs.LG
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
Identifying, measuring, and mitigating individual unfairness for supervised learning models and application to credit risk models
Microsoft（微软）
在过去的几年里，人工智能（AI）已经引起了包括金融服务（FS）在内的各个行业的关注。人工智能通过提高生产力和改善风险管理对金融服务产生了积极影响。虽然人工智能可以提供有效的解决方案，但它有可能带来意想不到的后果。其中一个后果是与人工智能相关的不公平和随之而来的与公平相关的伤害的明显影响。这些与公平相关的损害可能涉及对个人的差别待遇;例如，不公平地拒绝向某些个人或群体提供贷款。在本文中，我们专注于识别和减轻个人不公平，并利用该领域最近发布的一些技术，特别是适用于信用裁决用例。我们还调查了实现个人公平的技术在多大程度上有效地实现了群体公平。我们在这项工作中的主要贡献是功能化的两步训练过程，其中包括学习一个公平的相似性度量从一组意义上使用一小部分的原始数据和训练一个单独的“公平”分类器使用其余的数据，其中敏感的功能被排除在外。这种两步技术的关键特征与其灵活性有关，即，在第一步骤中获得的公平度量可以在第二步骤中与任何其它单独的公平算法一起使用。此外，我们开发了第二个度量标准（与公平相似性度量标准不同）来确定模型对待相似个体的公平程度。我们使用这个指标来比较一个“公平”模型与其基线模型在各自的公平值。最后，一些实验结果相应的个人不公平缓解技术。
2022-11-11 cs.AI cs.CY cs.LG
Baichuan4-Finance Technical Report
Baichuan Inc（百川智能公司）
本文报告了基于 Baichuan4-Turbo 构建的金融大模型 Baichuan4-Finance 系列，通过数据质量提升、领域自约束持续预训练及对齐训练，在金融任务上显著超越基线且保持通用能力。
2025-01-02 cs.AI cs.CE cs.CL
Selection-p: Self-Supervised Task-Agnostic Prompt Compression for Faithfulness and Transferability
The Hong Kong University of Science and Technology（香港科技大学）；Tencent AILab（腾讯AI实验室）
本文提出Selection-p，一种基于自监督持续预训练的任务无关提示压缩方法，通过少量参数对token进行保留或丢弃的概率预测，在实现高达10倍压缩率的同时保持性能，并具备跨模型的强可迁移性。
2024-10-21 cs.AI cs.CL cs.LG
TNF based Spectral Embedding for Effective Application of Supervised Machine Learning Techniques in Automobile Insurance Fraud Detection
Sri Sathya Sai Institute of Higher Learning（斯里萨提亚赛高等教育学院）
本研究提出一种结合MWMOTE、TNFSE2谱嵌入和随机森林的三阶段汽车保险欺诈检测方法，在65种组合中取得最优性能。
2026-09-29 cs.CV cs.LG
