FinCast: A Foundation Model for Financial Time-Series Forecasting
School of Computer Science（计算机科学系）；The University of Sydney（悉尼大学）
本文提出首个面向金融时间序列预测的基础模型 FinCast，通过大规模金融数据训练，在无需领域特定微调的情况下实现强大零样本预测性能，超越现有最先进方法。
2025-08-27 cs.AI cs.LG q-fin.CP
The Label Horizon Paradox: Rethinking Supervision Targets in Financial Forecasting
本文提出标签地平线悖论，指出最优监督信号常偏离预测目标，并基于动态信噪比权衡理论，提出双层优化框架自动寻找最优代理标签，在金融数据集上取得一致改进。
2026-08-20 cs.LG
A K-means Algorithm for Financial Market Risk Forecasting
Southern Methodist University（南卫理公会大学）
本研究采用K-means算法构建金融市场风险预测系统，有效解决了现有预测错误率高、精度低的问题，实验达到94.61%的准确率，提升了预测的准确性与效率。
2024-05-21 cs.LG q-fin.ST
Multi-source Transfer Learning with Ensemble for Financial Time Series Forecasting
University of Macau（澳门大学）；Victoria University（维多利亚大学）
虽然迁移学习在计算机视觉和自然语言处理应用中被证明是有效的，但很少有人研究它在预测金融时间序列。由于开放获取的大规模数据集的可用性，大多数关于迁移学习的现有工作都是基于单源迁移学习的。然而，在金融领域，单个时间序列的长度相对较短，单源迁移学习模型的有效性较差。因此，在本文中，我们研究了金融时间序列的多源深度迁移学习。本文提出了两种多源迁移学习方法，即加权平均环境迁移学习（WAETL）和树结构Parzen估计环境选择（TPEES）。我们的方法的有效性进行评估金融时间序列提取股票市场。实验结果表明，TPEES在大多数多源传输任务上优于其他基线方法。
2021-03-26 cs.LG
Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting
Aarhus University（奥胡斯大学）
金融市场分析，特别是股票价格走势的预测，是一个具有挑战性的问题。金融时间序列数据的非平稳性和非线性是这些挑战的主要原因。深度学习模型已经在来自不同领域的许多问题中带来了显着的性能改进，包括金融时间序列数据的预测问题。虽然预测性能是这类模型的主要目标，但处理超高频数据集在模型参数数量和推理速度方面受到限制。时间注意力增强双线性网络是近年来提出的一种高效、高性能的限价订单时间序列预测模型。在本文中，我们提出了一种低秩张量近似模型，以进一步减少可训练参数的数量并提高其速度。
2021-07-05 cs.LG
Multi-task Learning for Financial Forecasting
金融预测是机器学习中具有挑战性和吸引力的研究课题。有许多经典的解决方案，以及许多基于深度学习的方法，提出来处理它，产生令人鼓舞的性能。股票时间序列预测是金融预测中最具代表性的问题。由于股票之间的联系很强，对预测有价值的信息不仅包含在单个股票中，而且包含在与之相关的股票中。然而，以往的研究大多集中在单一的股票上，容易忽略其他股票中有价值的信息。为了利用更多的信息，在本文中，我们提出了一种联合预测方法，同时处理多个时间序列的相关股票，使用多任务学习框架。与以往的工作相比，我们使用多个网络来预测多个相关的股票，通过多任务学习，同时使用它们的共享和私有信息。此外，我们提出了一个注意力方法学习的基础上资本资产定价模型（CAPM）的思想，以帮助预测的共享和私人信息的优化加权组合。各种数据的实验结果表明，改进的预测性能基线方法。
2019-01-22 cs.AI cs.LG stat.ML
Detection of fraudulent users in P2P financial market
HC Financial Service Group（HC金融服务集团）；HC Research（HC研究院）
金融欺诈检测是金融科技公司的核心技术资产之一。它为中国金融科技公司节省了数千万美元，因为不良贷款率超过10%。慧聪金融服务集团是中国P2P金融市场第三大公司。在本文中，我们说明了我们如何解决欺诈检测问题在慧聪金融。我们利用机器学习领域中两个强大的工具-随机森林和梯度提升决策树来检测欺诈用户。我们证明，通过仔细选择功能和调整模型参数，我们可以有效地过滤出欺诈用户在P2P市场。
2019-09-24 cs.LG cs.OH
FinTSBridge: A New Evaluation Suite for Real-world Financial Prediction with Advanced Time Series Models
Tsinghua University（清华大学）；Peng Cheng Laboratory（鹏城实验室）
针对前沿时间序列预测模型与金融资产定价领域缺乏衔接的问题，研究构建了含三个金融数据集、十余种模型及新指标msIC、msIR的评估套件FinTSBridge，评估模型在金融任务中的性能与潜力，为相关研究提供参考。
2025-06-11 cs.LG q-fin.TR
Volatility Forecasting in Global Financial Markets Using TimeMixer
Hong Kong Community College（香港社区学院）
本研究应用 TimeMixer 模型预测全球金融资产波动率，发现其通过多尺度混合方法在短期预测中表现优异，但在长期预测中准确性下降，适用于金融风险管理。
2024-09-27 cs.AI cs.LG q-fin.ST
XForecast: The KDD 2026 Finance Day Challenge on News-Grounded Financial Forecasting
LG AI Research（LG AI研究院）；Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）
XForecast是KDD 2026金融日在Kaggle举办的竞赛，提供含100只大盘股2019-2023年数据的基准，采用加权命中率指标，用于评估整合金融时间序列与新闻文本的股价预测方法。
2026-10-14 cs.LG
A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series
Yunnan Agricultural University（云南农业大学）；New York University（纽约大学）；Carnegie Mellon University（卡内基梅隆大学）
针对传统深度学习模型难以捕捉非平稳金融数据长期依赖与周期模式的问题，提出集成FEDformer、残差异常检测器与风险预测头的混合框架，在多类金融数据集上取得更优的异常检测与风险预测效果。
2025-11-17 cs.LG
Machine Learning Algorithms for Financial Asset Price Forecasting
University of Oxford（牛津大学）；Saïd Business School（赛德商学院）
本文探讨了机器学习（ML）算法和技术的性能，可用于金融资产价格预测。资产价格和收益的预测和预测仍然是量化金融和从业人员面临的最具挑战性和最令人兴奋的问题之一。近年来生成和捕获的数据大量增加，为利用机器学习算法提供了机会。这项研究直接比较和对比了现代机器学习算法在高性能计算（HPC）基础设施上的最新实现与传统和高度流行的资本资产定价模型（CAPM）在美国股票数据上的实现。实施的机器学习模型-在整个股票宇宙的时间序列数据上训练（除了外部宏观经济变量）显着优于CAPM的样本外（OOS）测试数据。
2020-03-31 cs.LG econ.EM q-fin.ST
CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements
Southwestern University of Finance and Economics（西南财经大学）；Kyoto Institute of Technology（京都技术大学）
针对现有金融预测无法捕捉多模态特性与事件因果关系的问题，提出CAMEF框架，整合文本与时间序列数据，结合因果学习与LLM反事实事件增强技术，构建新数据集并验证了其在金融预测中的有效性。
2025-08-08 cs.AI cs.CE cs.IR
NumHTML: Numeric-Oriented Hierarchical Transformer Model for Multi-task Financial Forecasting
Westlake Institute for Advanced Study, Westlake University（西湖大学高等研究院）；School of Engineering, Westlake University（西湖大学工学院）；The Insight Centre for Data Analytics, University College Dublin（都柏林大学学院洞察数据分析中心）；Department of Computer Science, University of Warwick（华威大学计算机科学系）
金融预测一直是机器学习研究的一个重要而活跃的领域，因为它带来了挑战，即使是预测准确性或预测的微小改进也可能带来潜在的回报。传统上，财务预测在很大程度上依赖于来自结构化财务报表的量化指标和度量。包括文本和音频在内的盈利电话会议数据是非结构化数据的重要来源，已被用于使用深度盈利和相关方法的各种预测任务。然而，当前基于深度学习的方法在处理数字数据的方式上受到限制;数字通常被视为纯文本标记，而没有利用其底层数字结构。本文描述了一个面向数字的层次Transformer模型，利用不同类别的数字（货币，时间，百分比等），使用多模态对齐的盈利呼叫数据来预测股票收益和金融风险。和他们的规模。我们使用真实世界的公开数据集，针对几个最先进的基线对NumHTML进行了全面评估。结果表明，NumHTML在各种评估指标上的表现明显优于当前最先进的技术，并且它有可能在实际交易环境中提供显着的财务收益。
2022-01-05 cs.AI cs.LG econ.EM
Financial Anomaly Detection for the Canadian Market
本文评估了三种金融异常检测方法在TSX-60数据上的表现，发现拓扑数据分析和神经网络方法在识别加拿大股市压力事件中表现最佳。
2026-04-02 cs.LG q-fin.ST
Data-driven Neural Architecture Learning For Financial Time-series Forecasting
Tampere University of Technology（坦佩雷理工大学）；Aarhus University（奥胡斯大学）
金融时间序列的预测是一个具有挑战性的任务，因为大多数现实世界的数据表现出非平稳性和非线性相关性。此外，不同的数据模态往往嵌入不同的非线性关系，这是很难捕捉的人类设计的模型。为了解决金融时间序列预测中的监督学习任务，我们提出了一个最近制定的算法，自适应地学习映射函数，实现了一个异构的神经架构组成的广义运算感知器，给定一组标记的数据。通过修改目标函数，该算法可以适应经常观察到的不平衡数据分布问题。在一个大规模的限价订单数据集上的实验表明，该算法优于相关算法，包括基于张量的方法，可以访问更广泛的输入信息。
2019-03-05 cs.CE cs.LG q-fin.ST
Advancing Financial Forecasting: A Comparative Analysis of Neural Forecasting Models N-HiTS and N-BEATS
本文系统比较 N-HiTS 与 N-BEATS 两种神经预测模型及传统模型，证明其在金融时间序列趋势预测中具有更高准确性、稳健性与实时决策适应性。
2024-09-07 q-fin.CP
Capturing Financial markets to apply Deep Reinforcement Learning
BITS Pilani University（pilani大学）；K.K. Birla Goa Campus（K.K.比尔拉果阿校区）；ISI Calcutta（加尔各答印度统计研究所）
在本文中，我们探索了深度强化学习算法的使用，以在任何一般金融市场中自动生成持续盈利，稳健，不相关的交易信号。为了做到这一点，我们提出了一个新的马尔可夫决策过程（MDP）模型来捕捉金融交易市场。我们回顾并提出对现有方法的各种修改，并探索不同的技术，如技术指标的使用，以简洁地捕捉市场动态来建模市场。然后，我们继续使用深度强化学习，使智能体（算法）能够学习如何在任何市场中独立进行有利可图的交易，同时建议各种方法的变化，并利用FMDP（金融MDP）的独特表示来解决类似工作中面临的主要挑战。通过我们的实验结果，我们继续表明，我们的模型可以很容易地扩展到两个非常不同的金融市场，并在所有进行的实验中产生积极的鲁棒性能。
2019-12-15 cs.LG q-fin.CP
Realized Volatility Analysis in A Spin Model of Financial Markets
我们计算了金融市场自旋模型中的已实现波动率，并检验了用已实现波动率标准化的收益率。我们发现标准化收益率的矩与标准正态变量的理论值一致。这是第一个证据表明，自旋金融市场的回报动态与分布混合假说的观点一致，该假说也适用于真实的金融市场。
2015-11-29 q-fin.CP
Causality-Inspired Models for Financial Time Series Forecasting
本研究提出一种基于因果启发模型的金融时间序列预测框架，平衡分布不变性与误差最小化，首次在资产收益预测中全面对比因果发现算法与非因果特征选择方法，实证显示该方法预测更稳定准确，动荡市场下优势明显。
2024-08-19 q-fin.CP
Multiresolution Signal Processing of Financial Market Objects
NVIDIA（英伟达）
多分辨率分析在复杂系统及其动力学的研究中有着广泛的应用。金融市场是我们环境中最复杂的实体之一，但主流的量化模型以预定的规模运行，依赖于线性相关性度量，并且难以识别非线性或因果结构。在本文中，我们结合了已知的神经网络捕捉非线性关联与多尺度分解，以促进更好地理解金融市场数据子结构。量化使我们的分解在每一个尺度上都与市场保持一致。我们在七个用例的上下文中说明了我们的方法。
2022-11-17 cs.LG eess.SP q-fin.CP
An agent-based model for designing a financial market that works well
设计一个运行良好的金融市场对于发展和维持先进经济非常重要，但并不容易，因为改变细节规则，即使是看似微不足道的规则，有时也会造成意想不到的巨大影响和副作用。使用基于代理的模型的计算机模拟可以直接处理并清楚地解释微观过程和宏观现象相互作用的复杂系统。许多有效的基于代理的模型研究人类行为已经开发出来。近来，作为用于金融市场的基于代理的模型的人工市场模型已经开始对关于实际金融市场的规则和规章的讨论做出贡献。我引入了一个人工市场模型来设计运行良好的金融市场，并描述了以前的研究调查最小价格变动单位减少。我希望，更多的人工市场模型将有助于设计出运行良好的金融市场，以进一步发展和维持发达经济体。
2019-06-14 q-fin.CP q-fin.GN q-fin.TR
Evaluating the Performance of Machine Learning Algorithms in Financial Market Forecasting: A Comprehensive Survey
随着金融市场竞争的加剧和步伐的加快，稳健的预测方法对投资者来说变得越来越有价值。虽然机器学习算法提供了一种对时间序列中的非线性进行建模的行之有效的方法，但它们在金融市场预测领域相对于常见随机模型的优势在很大程度上是基于有限的经验结果。这同样适用于确定某些机器学习架构相对于其他架构的优势。这项研究调查了150多篇关于将机器学习应用于金融市场预测的相关文章。在全面的文献综述的基础上，我们建立了一个表，描述了在这些研究中进行的实验的七个主要参数。通过列出和分类不同的算法，我们还介绍了一个简单的，标准化的语法文本表示机器学习算法。基于从调查中包含的论文中收集的性能指标，我们进一步进行排名分析，以评估不同算法类的比较性能。我们的分析表明，机器学习算法在金融市场预测中往往优于大多数传统的随机方法。我们进一步发现的证据表明，平均而言，递归神经网络优于前馈神经网络以及支持向量机，这意味着存在可利用的时间依赖性的金融时间序列跨多个资产类别和地理。
2019-07-06 q-fin.CP
The Financial Market of Environmental Indices
本文提出全球环境指数金融市场概念，通过货币化构建美元资产，运用计量经济学与资产定价工具管理风险，并识别关键驱动因素，以吸引机构投资者参与。
2023-08-29 q-fin.CP
Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets with Sentiment Measurements
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Soochow University（苏州大学）
预测金融市场是一项具有挑战性的任务。这一任务的复杂性主要在于金融市场与市场参与者之间的互动，市场参与者不能始终保持理性，往往受到恐惧、狂喜等情绪的影响。基于最先进的方法，特别是金融市场预测，基于混合卷积LSTM的变分序列到序列模型与注意力（CLVSA），我们提出了一种新的深度学习方法，称为双CLVSA，预测金融市场运动与交易数据和相应的社会情绪测量，每个通过一个单独的序列到序列通道。我们通过对SPDR SP 500 Trust ETF八年来的历史交易数据进行回测来评估我们的方法的性能。实验结果表明，双CLVSA可以有效地融合这两种类型的数据，并验证情绪测量不仅是金融市场预测的信息，但他们也包含额外的有益功能，以提高我们的预测系统的性能。
2022-01-27 cs.LG q-fin.CP q-fin.ST
A numeraire-free and original probability based framework for financial markets
在本文中，我们介绍了一个无数值和原始的概率为基础的金融市场框架。我们用鞅平减指数重新描述或刻画了公平市场、期权分解定理、超套期保值、可得索赔和完全市场，给出了Kramkov和Schachermayer（1999，2001）关于投资组合优化的最新结果，并对不完全市场中基于效用的未定权益定价方法进行了评述。
2003-05-01 math.PR q-fin.CP
Financial Time Series Forecasting: Semantic Analysis Of Economic News
提出了一种考虑新闻语义的金融时间序列预测方法。在对财经新闻进行语义分析时，以《Loughran McDonald Master Dictionary》为基础，形成了经济意义上的否定词和肯定词的样本。抽样包括金融市场新闻中出现频率高的词语。对于单词根词，只留下了允许一个请求覆盖几个词的公共部分。选择神经网络进行建模和预测。为了自动化从经济新闻中提取信息的过程，在MATLAB Simulink编程环境中开发了一个脚本，该脚本基于生成的正面和负面词的采样。不同架构的神经网络的实验研究表明，构建的模型具有很高的充分性，并证实了使用新闻源的信息来预测股票价格的可行性。
2017-05-23 q-fin.CP q-fin.GN
MarS: a Financial Market Simulation Engine Powered by Generative Foundation Model
Microsoft Research Asia（微软亚洲研究院）
本文提出订单级生成式基础模型 LMM，并据此构建金融市场模拟引擎 MarS，以实现真实、交互、可控的订单生成并支持预测、检测、分析和智能体训练。
2025-03-13 cs.AI cs.CE cs.LG
Multiple Time Series Ising Model for Financial Market Simulations
本文提出了一个模拟多个金融时间序列的伊辛模型。我们的模型引入了耦合到其他系统的自旋的相互作用。从我们的模型的模拟表明，时间序列表现出波动率聚集，经常观察到在现实的金融市场。此外，我们还发现，从我们的模型的波动率之间的非零交叉相关。因此，我们的模型可以模拟股票市场的股票波动是相互关联的。
2016-11-24 q-fin.CP q-fin.ST
Learning Undirected Graphs in Financial Markets
我们从金融市场数据的角度研究了拉普拉斯结构约束下无向图模型的学习问题。我们发现，拉普拉斯约束有意义的物理解释相关的市场指数因子和股票之间的条件相关性。这些解释导致了一套准则，用户在估计金融市场中的图形时应该知道。此外，我们还提出了学习无向图的算法，这些无向图可以解释金融数据固有的程式化事实和任务，如非平稳性和股票聚类。
2020-11-09 q-fin.CP q-fin.ST stat.ML
The Statistical Significance of the Inclusion of Graph Neural Networks in the Financial Time Series Forecasting Problem
IMT School for Advanced Studies Lucca（卢卡高等研究学院）；KU Leuven（荷语鲁汶大学）；University of Chieti–Pescara（基耶蒂-佩斯卡拉大学）
本文研究了在时间序列分析中引入几何模式对预测准确性提升的统计显著性，提出了一种结合几何和时间模式的Time-Geometric模型，并通过大量实证评估证明了利用图神经网络捕捉几何模式能显著提高预测准确性。
2026-05-20 cs.CE q-fin.CP
The Financial Connectome: A Brain-Inspired Framework for Modeling Latent Market Dynamics
本文提出金融连接组，通过大脑功能架构视角建模金融市场，引入动态市场网络连接度，揭示市场子网络结构，捕捉市场转变并发现系统预警信号。
2026-03-22 q-fin.CP
Market free lunch and large financial markets
本文的主要结果是一个版本的资产定价的基本定理（FTAP）的基础上，没有市场免费午餐的单调凹偏好的渐近概念的大型金融市场。证明使用的方法从理论的Orlicz空间。此外，各种概念的无渐近套利的特点是没有渐近市场免费午餐;不同之处在于设置的效用。特别是，它直接表明，没有渐近市场免费午餐单调凹效用相当于没有渐近免费午餐。原则上，本文可以被看作是[Math. Finance 14（2004）351- 357]和[Math. Finance 16（2006）583- 588]的大型金融市场模拟。
2007-02-14 math.PR q-fin.CP
Analysis of Spin Financial Market by GARCH Model
自旋模型用于模拟金融市场。为了确定自旋金融市场中的收益波动率，我们使用了经验金融中经常用于波动率估计的GARCH模型。我们应用马尔可夫链蒙特卡罗方法进行贝叶斯推断的GARCH模型的参数估计。研究发现，由GARCH模型确定的波动率具有“波动率聚集“现象，这一现象在真实的金融市场中也能观察到。使用波动率确定的GARCH模型，我们检查的混合分布假设（MDH）的资产收益动态。我们发现，以波动率标准化的收益率近似为标准正态随机变量。此外，我们发现，绝对标准化收益率没有显着的自相关。这些发现与MDH的回归动力学观点一致。
2014-08-30 q-fin.CP
Interplay between endogenous and exogenous fluctuations in financial markets
我们解决微观，代理人为基础，宏观，随机，建模的金融市场结合它与外源噪声。代理人的内生动力学和外源噪声之间的相互作用是主要的机制，负责观察到的长期依赖性和高波动性的回报率区间的统计特性。我们所说的外生噪声是指信息流或/和订单流波动。基于所提出模型的数值结果表明，外生波动必须被视为金融市场综合建模不可或缺的一部分。
2016-11-19 q-fin.CP q-fin.ST
On utility maximization in discrete-time financial market models
考虑了有限时间范围的离散金融市场模型，给出了最大化期望终端效用问题存在最优策略的条件。利用最优策略构造了等价的鞅测度。
2005-05-12 math.PR q-fin.CP
Fusing Narrative Semantics for Financial Volatility Forecasting
University of Oxford（牛津大学）；Pusan National University（釜山国立大学）
本文提出M2VN多模态波动率网络，融合时间序列与新闻文本，利用时点大语言模型缓解前视偏差，实验证明其优于现有基线，助力风险管理。
2025-10-23 cs.AI q-fin.CP
Detecting Financial Market Manipulation with Statistical Physics Tools
本文借鉴统计物理学，将订单簿动态建模为粒子运动并提出动量测度，以检测幌骗与分层操纵，且在 LUNA、Bitcoin 市场中优于 Z-score 方法。
2023-08-16 q-fin.CP q-fin.GN q-fin.TR
