Financial Fraud Detection using Jump-Attentive Graph Neural Networks
Vesta Corporation(维斯塔公司)
本文提出一种结合高效邻域采样与注意力机制的新型图神经网络方法,用于解决金融欺诈检测中欺诈者伪装和过度平滑导致的信息损失问题,并在金融数据上验证其优于现有图算法。
2024-11-22 cs.CR cs.LG
Temporal and Heterogeneous Graph Neural Network for Financial Time Series Prediction
University of Technology Sydney(悉尼科技大学);Tongji University(同济大学);Peking University(北京大学);Emoney Inc.(易钱科技有限公司)
本文提出时间与异构图神经网络(THGNN),动态学习公司关系,预测股价走势,在美中股市及真实量化交易中优于基线。
2023-05-09 cs.LG q-fin.PM q-fin.ST
Evaluating Financial Relational Graphs: Interpretation Before Prediction
School of Computer Science, University College Dublin(都柏林大学学院计算机科学学院);Michael Smurfit Business School, University College Dublin(都柏林大学学院迈克尔·斯默菲特商学院)
针对现有股票关系图方法依赖静态图、评估绑定下游任务的问题,本文提出SPNews数据集及独立于下游任务的金融关系图评估方法,可有效区分不同关系图并提升可解释性,代码已开源。
2024-09-28 cs.AI cs.LG q-fin.ST
Global Confidence Degree Based Graph Neural Network for Financial Fraud Detection
Tongji University(同济大学)
针对现有图神经网络金融欺诈检测方法忽略全局信息的问题,提出全局置信度概念及GCD-GNN模型,通过GCD生成注意力聚合典型与非典型邻居信息,实验证明其性能优于现有基线,轻量版本则在速度上更具优势。
2024-08-18 cs.LG
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
DynBERG: Dynamic BERT-based Graph neural network for financial fraud detection
Transitional Artificial Intelligence Research Group, School of Mathematics and Statistics, UNSW Sydney, Australia(过渡人工智能研究组,数学与统计学学院);Centre for Artificial Intelligence and Innovation, Pingala Institute, Sydney, Australia(人工智能与创新中心,Pingala研究所);Department of Economics and Finance(经济学与金融系)
提出DynBERG架构,通过集成Graph-BERT与GRU层并支持有向边,有效捕获金融交易网络的动态时间演化,在Elliptic数据集上表现优于EvolveGCN和GCN等基准模型。
2025-10-28 cs.AI cs.CE cs.LG
Financial Default Prediction via Motif-preserving Graph Neural Network with Curriculum Learning
Ant Group(蚂蚁集团)
针对金融违约预测中高阶拓扑建模不足的问题,提出MotifGNN,通过模体门控与课程学习融合原始图和多视图模体图,并在三个数据集上验证有效。
2024-03-11 cs.LG q-fin.RM
Conditional Forecasting of Margin Calls using Dynamic Graph Neural Networks
Università degli Studi di Milano(米兰大学);European Systemic Risk Board Secretariat, European Central Bank(欧洲系统性风险委员会秘书处、欧洲中央银行);ETH Zurich(苏黎世联邦理工学院)
本研究提出一种动态图神经网络架构,在利率互换交易网络模拟数据上验证其可准确预测21天内的净变动保证金,为金融压力测试和系统性风险监测提供新工具。
2024-10-30 cs.LG q-fin.RM stat.ML
A review of two decades of correlations, hierarchies, networks and clustering in financial markets
我们回顾了聚类金融时间序列的最新技术,以及它们与其他相互作用网络的相关性研究。本综述的目的是将来自不同领域的相关材料收集在一个地方,例如机器学习,信息几何学,经济物理学,统计物理学,计量经济学,行为金融学。我们希望这将有助于研究人员更有效地使用这种替代模型的金融时间序列。决策者和定量研究人员也可以利用它的见解。最后,我们也希望这一审查将形成一个开放的工具箱,研究相关性,层次结构,网络和集群在金融市场的基础。
2020-11-03 q-fin.ST
Year-over-Year Developments in Financial Fraud Detection via Deep Learning: A Systematic Literature Review
Georgia Institute of Technology, College of Computing(佐治亚理工学院计算机学院);Harvard University, School of Engineering and Applied Sciences(哈佛大学工程与应用科学学院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Columbia University, The Fu Foundation School of Engineering and Applied Science(哥伦比亚大学傅以文工程与应用科学学院)
该研究采用Kitchenham方法系统综述2019-2024年57项深度学习金融欺诈检测研究,梳理了模型应用、性能指标、核心主题,指出现存挑战与发展方向,为相关研究者和从业者提供参考。
2025-07-30 cs.AI cs.LG q-fin.ST
Financial Applications of Random Matrix Theory: a short review
我们讨论的应用随机矩阵理论的背景下,金融市场和计量经济学模型,一个主题,其中相当数量的论文已经致力于在过去的十年。这篇简短的评论旨在指导读者了解各种理论结果(Marcenko Pastur谱及其各种概括,随机SVD,自由矩阵,最大特征值统计等)。以及在投资组合优化和样本外风险估计中的一些具体应用。
2009-10-07 cond-mat.dis-nn q-fin.RM q-fin.ST
Bilinear Input Normalization for Neural Networks in Financial Forecasting
Tampere University(坦佩雷大学);Aarhus University(奥胡斯大学)
数据规范化是构建机器学习模型时最重要的预处理步骤之一,特别是当感兴趣的模型是深度神经网络时。这是因为使用随机梯度下降优化的深度神经网络对输入变量范围敏感,并且容易出现数值问题。不同于其他类型的信号,金融时间序列往往表现出独特的特征,如高波动性,非平稳性和多模态,使他们具有挑战性的工作,往往需要专业领域的知识来设计一个合适的处理管道。在本文中,我们提出了一种新的数据驱动的规范化方法,用于处理高频金融时间序列的深度神经网络。所提出的归一化方案,它考虑到金融多元时间序列的双峰特性,不需要专业知识来预处理金融时间序列,因为这一步骤被制定为端到端的优化过程的一部分。我们的实验,进行了国家的最先进的神经网络和高频数据,从两个大规模的限价订单簿来自北欧和美国市场,在预测未来的股票价格动态显着改善其他规范化技术。
2021-09-01 cs.LG q-fin.ST
Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020-2022
Universiti Teknologi Malaysia(马来西亚理工大学)
本文综述2020–2022年金融时间序列价格预测的深度学习进展,梳理模型架构、应用与优劣,并指出复杂模型、区间预测、分解集成和数据量影响等未来方向。
2023-09-28 cs.AI cs.LG q-fin.ST
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
HQNN-FSP: A Hybrid Classical-Quantum Neural Network for Regression-Based Financial Stock Market Prediction
Indian Institute of Technology (BHU)(印度理工学院(瓦拉纳西));New York University Abu Dhabi (NYUAD)(纽约大学阿布扎比分校);NYUAD Research Institute(纽约大学阿布扎比分校研究院)
针对金融时间序列预测难题,本研究提出名为HQNN-FSP的经典-量子混合神经网络,含定制QNN回归器与两种混合优化策略,实验验证其可有效将量子计算融入金融预测工作流。
2025-03-19 cs.LG q-fin.ST quant-ph
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
Sentiment and Volatility in Financial Markets: A Review of BERT and GARCH Applications during Geopolitical Crises
University College Cork(科克大学学院)
本文结合金融领域微调 BERT 与 Student-t 增强 GARCH,分析俄乌战争新闻情绪对 S&P 500 波动的影响,发现负面情绪显著降低市场稳定性。
2025-10-18 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
Chain-structured neural architecture search for financial time series forecasting
School of Engineering and Management Vaud (HEIG-VD), University of Applied Sciences and Arts Western Switzerland (HES-SO)(沃州工程与管理学院(HEIG-VD),瑞士西部应用科学与艺术大学(HES-SO));Predictive Layer SA(Predictive Layer SA公司)
针对金融时间序列预测任务,在链式结构搜索空间中比较贝叶斯优化、Hyperband和强化学习三种NAS策略,优化MLP等简单架构并与TFT对比,发现贝叶斯优化和Hyperband表现最优,同时提出方差克服方法与实现建议。
2024-12-04 cs.LG q-fin.ST
Recurrent neural network based parameter estimation of Hawkes model on high-frequency financial data
本文提出用循环神经网络估计高频金融数据的 Hawkes 模型参数并计算波动率,在保持与最大似然估计相当精度的同时显著提速,可支持实时连续波动率估计。
2023-04-24 q-fin.ST q-fin.TR stat.ML
Financial time-series analysis: A brief overview
商品或资产的价格产生所谓的时间序列。不同类型的金融时间序列已经被记录和研究了几十年。如今,金融市场上的所有交易都被记录下来,从而产生了大量可用的数据,这些数据可以在互联网上免费获得,也可以通过商业途径获得。金融时间序列分析是理论家和实践者都非常感兴趣的一种分析方法。此外,金融时间序列中固有的随机不确定性以及处理它们所需的理论使得这个主题不仅对经济学家,而且对统计学家和物理学家都特别感兴趣。虽然这将是一个艰巨的任务,使一个详尽的审查专题,与此审查,我们试图给它的一些方面的味道。
2007-04-13 physics.soc-ph q-fin.ST
Sanction or Financial Crisis? An Artificial Neural Network-Based Approach to model the impact of oil price volatility on Stock and industry indices
在本文中,我们模拟了国际制裁和制裁后两个时期的油价波动对德黑兰股票指数和工业指数的影响。为了分析研究的目的,我们使用了前馈神经网络。研究时间为2008年至2018年,分为国际能源制裁期间和制裁后两个时期。研究结果表明,前向神经网络对股票市场和行业指数的预测效果较好,说明油价波动对股票和行业指数有显著影响。在制裁后和全球金融危机期间,该模型对行业指数的预测效果较好。此外,油价-股票市场指数预测在国际制裁期间表现较好。这些结果对于金融市场分析师和政策制定者了解哪些因素以及何时影响金融市场具有一定的参考价值,特别是对于伊朗这样一个石油依赖型国家,在国际政治不确定的情况下。关键词:前馈神经网络,工业指数,国际能源制裁,油价波动,德黑兰股票指数
2020-09-11 q-fin.CP q-fin.ST
Integrating LSTM Networks with Neural Levy Processes for Financial Forecasting
Department of Computer Science, University of Verona(计算机科学系,威尼斯大学)
本文提出了一种结合LSTM网络与神经莱维过程的混合模型,利用灰狼优化器优化LSTM参数,并通过人工神经网络校准模型参数,以提高金融预测的准确性。
2025-11-26 cs.LG q-fin.ST
Neural Generalised AutoRegressive Conditional Heteroskedasticity
University College London(伦敦大学学院)
我们提出了神经神经GARCH,一类方法来模拟金融时间序列的条件异方差性。神经GARCH是单变量情况下GARCH 1,1模型和多变量情况下对角BEKK 1,1模型的神经网络适应。为了反映金融市场不断变化的动态,我们允许GARCH模型的系数随时间变化。时变系数由一个递归神经网络参数化,该网络是用随机梯度变分贝叶斯训练的。我们提出了我们的模型的两个变种,一个正常的创新和其他学生t创新。我们在广泛的单变量和多变量金融时间序列上测试了我们的模型,我们发现神经学生t模型始终优于其他模型。
2022-02-23 cs.LG q-fin.ST stat.ML
Are Financial Crashes Predictable?
我们批判性地回顾了最近的主张,金融崩溃可以预测使用对数周期振荡的想法或其他方法的启发,物理学的临界现象。特别是,1997年10月的“校正”似乎不是局部极小值的几何级数的累积点。
1998-04-09 cond-mat.stat-mech q-fin.ST
Long Short-Term Memory Neural Network for Financial Time Series
业绩预测是经济学和金融学中一个古老的问题。最近,机器学习和神经网络的发展产生了非线性时间序列模型,这些模型为传统的分析方法提供了现代和有前途的替代方案。在本文中,我们提出了一个独立和并行的长短期记忆(LSTM)神经网络集成,用于预测股票价格走势。由于LSTM能够合并过去的信息,因此LSTM已被证明特别适合于时间序列数据,而神经网络集成已被发现可以减少结果的可变性并提高泛化能力。一个二进制分类问题的基础上的中位数的回报,和合奏的预测取决于一个阈值,这是所需的最小数量的LSTM同意的结果。该模型适用于较小,效率较低的斯德哥尔摩OMX30,而不是其他主要的市场指数,如DJIA和标准普尔500常见的文献中的成分。通过简单的交易策略,与随机选择的投资组合和包含指数中所有股票的投资组合的比较表明,LSTM集合产生的投资组合提供了更好的平均每日回报和更高的累积回报。此外,LSTM投资组合也表现出更低的波动性,从而导致更高的风险回报率。
2022-01-20 cs.LG q-fin.ST
Deep Generative Modeling for Financial Time Series with Application in VaR: A Comparative Review
Wells Fargo(富国银行)
本文比较多种深度生成模型在金融时间序列与 VaR 建模中的表现,提出 Encoder-Decoder CGAN、Conditional TimeVAE 及评估框架,发现 HS、GARCH 和 CWGAN 表现最佳。
2024-01-18 cs.LG q-fin.CP q-fin.RM
Econophysics: Empirical facts and agent-based models
本文旨在回顾最近的经验和理论发展通常归类在术语经济物理学。自1995年经济学和物理学合并而得名以来,这一新的交叉学科领域已经向各个方向发展:理论宏观经济学(财富分配),金融市场的微观结构(订单簿建模),金融泡沫和崩溃的计量经济学等。在第一部分的评论中,我们讨论了经济物理学的出现。然后,我们提出了实证研究揭示金融时间序列的统计特性。我们从描述金融资产回报的广泛认可的程式化事实开始介绍-厚尾,波动率聚集,自相关等。回想一下,其中一些属性与考虑时间的方式直接相关。我们继续讨论在金融市场订单簿上观察到的统计特性。为了说明这一审查,(几乎)所有陈述的事实都是使用我们自己的高频金融数据库复制的。最后,介绍了随机矩阵理论和图论对资产相关性研究的贡献。在评论的第二部分中,我们通过基于主体的建模的角度来处理经济物理学中的模型。在大量的基于多智能体的模型,我们已经确定了三个代表性的领域。首先,经济学家利用行为金融学和市场微观结构理论领域的研究成果,建立了基于主体的订单驱动市场模型。其次,动力学理论模型旨在解释财富分配的一些经验事实进行审查。第三,通过回顾当今经典的少数者博弈及其相关问题,简要总结了博弈论模型。
2010-06-21 q-fin.GN q-fin.ST q-fin.TR
Is Image Encoding Beneficial for Deep Learning in Finance? An Analysis of Image Encoding Methods for the Application of Convolutional Neural Networks in Finance
Stevens Institute of Technology(斯蒂文斯理工学院)
2012年,美国证券交易委员会(SEC)强制要求在美国开展业务的任何公司的所有公司文件都必须输入电子数据收集,分析和检索(EDGAR)系统。在这项工作中,我们正在研究如何分析通过EDGAR数据库提供的数据。这可以服务于投资组合经理(养老基金、共同基金、保险、对冲基金),以获得对他们所投资的公司的自动洞察,从而更好地管理他们的投资组合。该分析基于应用于数据的人工神经网络。特别是,最流行的机器学习方法之一,卷积神经网络(CNN)架构,最初开发用于解释和分类图像,现在被用于解释金融数据。这项工作研究了将从SEC文件中收集的数据输入到CNN架构中的最佳方法。在三种图像编码方法的设计中,我们结合了会计原理和数学方法。具体而言,两种方法是从会计原则(顺序排列,类别组块排列)和一个是使用纯数学技术(希尔伯特向量排列)。在这项工作中,我们分析了基本的金融数据以及财务比率数据,并研究了美国金融,医疗保健和IT行业的公司。我们发现,使用成像技术输入数据的CNN工程更好的金融比率数据,但并没有显着优于简单地使用1D输入直接为基本数据。我们没有发现希尔伯特矢量排列技术明显优于其他成像技术。
2020-10-17 cs.LG q-fin.ST
Scaling and Multi-scaling in Financial Markets
本文回顾了一些现象学模型,已被引入到金融数据的标度特性。它还说明了一个微观模型,基于异构的相互作用的代理人,这提供了一个可能的解释市场的回报率的复杂动态。对模拟数据进行的标度和多标度分析与经验结果有很好的定量一致性。
2000-07-25 cond-mat.stat-mech q-fin.ST
Neural Network-based Automatic Factor Construction
Tsinghua-Berkeley Shenzhen Institute, Tsinghua University(清华大学伯克利深圳学院);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Sino-UK Blockchain Industry Institute, Guangxi University(广西大学中英区块链产业研究院)
近年来,学术研究人员和量化投资经理不再基于传统和行为金融分析进行人工因子构建,而是利用遗传编程(GP)作为自动特征构建工具,将交易数据的反向抛光数学表达式构建为新的因子。然而,随着深度学习的发展,更强大的特征提取工具可用。本文提出了基于神经网络的自动因子构建(NNAFC),这是一个基于金融领域知识和多种神经网络结构的定制神经网络框架,可以自动构建多样化的金融因子。实验结果表明,NNAFC比GP能构造出信息量更大、更多样化的因子,有效地丰富了现有的因子库。对于目前的市场来说,全连接和循环神经网络结构都比卷积神经网络结构更好地从金融时间序列中提取信息。此外,NNAFC构造的新因子由于引入了更多的信息和分散化因素,总是能够提高多因子量化投资策略的收益率、夏普比率和最大回撤。
2020-10-13 cs.LG q-fin.ST
Networks of equities in financial markets
我们回顾了最近的方法,相关性为基础的网络的金融股票。我们研究了不同时间范围的股票投资组合,金融指数和波动时间序列,我们表明,有意义的经济信息可以从噪声相关矩阵中提取。我们表明,该方法可以用来伪造广泛的市场模型,通过直接比较真实和人工市场的网络的拓扑性质。
2004-01-16 cond-mat.stat-mech q-fin.ST
Anomaly Detection on Financial Time Series by Principal Component Analysis and Neural Networks
在处理涉及各种市场风险因素的金融时间序列时,一个主要的关注点是异常现象的存在。这些导致了用于量化和管理风险的模型的错误校准,导致潜在的错误风险度量。本文提出了一种改进金融时间序列异常检测的方法,克服了大多数固有的困难。通过主成分分析对时间序列进行数据压缩和重构,提取有价值的特征。然后,我们使用前馈神经网络定义一个异常分数。当一个时间序列的异常分数超过给定的截止值时,它被认为是被污染的。这个截止值不是一个手动设置的参数,而是在定制的损失函数的最小化过程中作为神经网络参数进行校准。与几种著名的异常检测算法相比,所提出的方法的效率在合成数据集和真实数据集上都得到了数值证明,PCA NN方法具有高而稳定的性能。我们发现,当使用所提出的异常检测模型与基本的插补方法来纠正异常时,风险值估计误差会减少。
2022-10-25 math.ST q-fin.ST stat.ME
Systemic Risk: Fire-Walling Financial Systems Using Network-Based Approaches
最近的金融危机痛苦地揭示了全球相互关联的金融体系所带来的危险。基于均衡存在概念的传统方法和那些依赖统计预测的方法已经被认为不足以以任何合理的方式描述金融体系。一种更自然的方法是将金融体系视为一个经济体中各种金融机构之间的债权和义务的复杂网络。复杂网络的一般框架已经成功地应用于多个学科,例如,解释电力传输系统的连锁故障和流行病的传播。在这里,我们回顾了各种网络模型,通过直接的银行间合同和间接通过重叠的金融机构的投资组合来解决金融传染问题。特别是,我们讨论了金融网络的"稳健但脆弱"的性质对系统性风险的成本效益监管的影响。
2019-12-11 q-fin.ST q-fin.TR
Temporal Graph Networks for Graph Anomaly Detection in Financial Networks
Ulsan National Institute of Science and Technology(蔚山科学技术院);Korea Advanced Institute of Science and Technology(韩国科学技术院);Sogang University(西江大学)
本文研究利用时序图网络(TGN)捕捉金融网络动态边变化以进行欺诈检测,并在 DGraph 数据集上验证其 AUC 指标显著优于静态 GNN 和超图神经网络基线,同时比较了不同图嵌入模块的效果。
2024-03-27 cs.AI cs.LG q-fin.ST
A Review of Large Language Models for Stock Price Forecasting from a Hedge-Fund Perspective
Hockaday School(霍卡迪学校);Lumos Alpha(卢姆斯阿尔法)
本文综述了大型语言模型在股票预测中的应用,包括从新闻和社交媒体提取情绪、分析财务报告和电话会议记录,以及构建多智能体交易系统,并指出实践中常被忽视的问题,如情绪分析的脆弱性、数据集和时间范围设计、性能评估指标、数据泄露、流动性溢价和股价预测的局限性。
2026-04-10 cs.AI cs.LG q-fin.PR
Comparative analysis of financial data differentiation techniques using LSTM neural network
本研究比较了传统对数收益与分数差分及其温度扩展方法在LSTM预测中的效果,发现分数差分能提升预测性能并有助于构建盈利交易策略。
2025-05-25 econ.EM q-fin.CP q-fin.ST
A Look at Financial Dependencies by Means of Econophysics and Financial Economics
University for Continuing Education Krems(克雷姆斯继续教育大学);Complexity Science Hub Vienna(维也纳复杂性科学中心);King’s College London(伦敦国王学院);Centro Ricerche Enrico Fermi(恩里科·费米研究中心)
本文综述了近年来经济物理学和金融经济学关于金融依赖的研究成果。我们专注于最相关的贡献,资产市场的依赖性分析,特别是相关性研究,这在我们看来是有益的研究人员在这两个领域。在经济物理学中,这些依赖关系可以被建模,以将金融市场描述为不断发展的复杂网络。特别是,我们表明,一个有用的方式来描述依赖关系是通过信息过滤网络,能够检索相关的和有意义的信息,在复杂的金融数据集。在金融经济学中,这些相关性可以描述资产的共动和溢出。特别是,几个模型,显示网络和因子模型的方法是如何分别与多变量波动率和资产收益建模。最后,我们概述了这些研究如何启发未来的研究,以及它们如何有助于支持这两个领域的研究人员找到一种更好、更强大的共同语言。
2023-02-16 q-fin.PM q-fin.ST
Unified GARCH-Recurrent Neural Network in Financial Volatility Forecasting
School of Business, Stevens Institute of Technology(史蒂文斯理工学院商学院)
本文提出GARCH-GRU和GARCH-LSTM模型,通过整合GARCH(1,1)动态提升金融波动预测的准确性、效率和稳健性。
2025-11-21 q-fin.RM q-fin.ST
New approaches in agent-based modeling of complex financial systems
基于Agent的建模是理解复杂金融系统中群体行为和微观相互作用的一种强有力的仿真技术。最近,基于主体的模型的关键参数确定的概念,从经验数据,而不是人为地设置它们。我们首先回顾了几个基于代理的模型和新的方法来确定从历史市场数据的关键模型参数。这些模型基于具有异质性个人偏好和相互作用的主体行为,成功地解释了金融市场时空相关性的微观成因。然后,我们提出了一种新的范式结合大数据分析与基于代理的建模。具体而言,我们从互联网查询和股票市场数据中提取信息驱动力,并开发了一个基于Agent的模型来模拟复杂金融系统的动态行为。
2017-03-04 q-fin.ST
Measure of Dependence for Financial Time-Series
本文针对金融时间序列机器学习中准确准备数据和评估预测能力的难题,回顾并奠定了全面分析时间序列数据塑造及评估各种依赖性度量的基础,并提出了一种方法、框架及具体示例来选择和评估合适的依赖性度量。
2023-11-15 q-fin.ST
The Dynamics of Financial Markets -- Mandelbrot's multifractal cascades, and beyond
这是一个简短的评论,以纪念B。曼德尔布洛特的80岁生日,刊登在威尔莫特杂志上。我们讨论了乘法级联和相关的多重分形思想可能是相关的金融时间序列的主要统计特征,特别是间歇性,长记忆性的波动模型。本文详细描述了多重分形随机游动。我们指出了当前模型的一些不足之处,特别是关于时间反演对称性,并提出了一个替代家庭的多时间尺度模型,中间的Gestival模型和多重分形模型,似乎很有前途。
2005-01-12 cond-mat.other cond-mat.stat-mech q-fin.ST
Probabilistic models and statistics for electronic financial markets in the digital age
本文回顾了数字时代电子金融市场中离散观测半鞅统计的最新进展,聚焦跳跃检验、粗糙波动率和限价订单微观结构噪声三个主题,并提出了新的统计方法。
2024-06-11 math.ST q-fin.ST stat.TH
Machine Learning Methods for Pricing Financial Derivatives
本文提出用神经网络建模SDE的漂移和波动率函数,针对欧式期权开发快速SGD算法,对美式期权优化Kolmogorov PDE,并在真实市场数据上验证其样本外定价准确性优于传统模型。
2024-06-01 q-fin.CP q-fin.MF q-fin.ST