MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive and Dynamic Stock Investment Prediction
Ant Group（蚂蚁集团）；Alibaba Group（阿里巴巴集团）
针对股价预测中动态复杂关系建模的局限，提出多关系动态图神经网络（MDGNN）框架，结合离散动态图与Transformer结构捕捉股票间多重关系的时序演化，在公开数据集上达到SOTA性能。
2024-01-19 cs.IR cs.LG q-fin.ST
Predicting Stock Price Movement after Disclosure of Corporate Annual Reports: A Case Study of 2021 China CSI 300 Stocks
在当前的股票市场中，计算机科学技术越来越广泛地应用于股票分析。与大多数相关的机器学习股价预测工作不同，本文研究的是公司年报披露后第二天股价走势的预测。我们使用各种不同的模型，包括决策树，逻辑回归，随机森林，神经网络，原型网络。我们使用两组财务指标（关键和扩展）进行实验，这些财务指标是从EastMoney网站上公司披露的财务指标中获得的，最后我们发现这些模型并不能很好地预测趋势。此外，我们还筛选ROE大于0.15、净现金比率大于0.9的股票。我们的结论是，根据公司刚刚发布的年度报告的财务指标，披露后的第二天的股票价格走势的可预测性较弱，在我们的测试集上的随机森林分类器的最大准确率约为59.6%，最大精度约为0.56，股票过滤并没有提高性能。而随机森林在这些模型中表现最好，这与已有的研究结果相一致。
2022-07-22 cs.AI q-fin.ST
HIST: A Graph-based Framework for Stock Trend Forecasting via Mining Concept-Oriented Shared Information
Sun Yat-sen University（中山大学）；Microsoft Research（微软研究院）
股票趋势预测是对股票价格未来走势的预测，在投资中起着至关重要的作用。市场中的股票可以共享信息，因此它们的股票价格高度相关。最近提出了几种方法来通过股票概念挖掘共享信息（例如，技术，互联网零售）从网络中提取，以改善预测结果。然而，以往的研究假设股票和概念之间的联系是静态的，忽略了股票和概念之间的动态相关性，限制了预测结果。此外，现有的方法忽略了隐藏概念所携带的宝贵的共享信息，这些隐藏概念衡量了人工定义的股票概念之外的股票共性。为了克服以往工作的不足，我们提出了一种新的股票趋势预测框架，可以充分挖掘面向概念的共享信息，从预定义的概念和隐藏的概念。该框架同时利用股票的共享信息和个体信息来提高股票趋势预测性能。在真实任务上的实验结果表明了该框架在股票趋势预测上的有效性。投资模拟表明，我们的框架可以实现比基线更高的投资回报。
2022-01-20 cs.LG q-fin.ST
Optimal Investment Horizons for Stocks and Markets
逆统计量是从（去趋势的）历史资产价格\cite{optihori,gainloss}中获得预定义回报水平所需的等待时间分布。这种分布通常在{ \em最优投资期限} $τ^*_ρ$的时间内经历最大值，该时间定义了获得给定回报$ρ$的最可能等待时间。通过考虑相等的正回报和负回报水平，我们在\cite{gainloss}中报告了短期收益/损失的定量不对称性。本文研究了目前道琼斯指数中2/3个股的逆统计量。我们发现，这种收益/损失的不对称性建立的DJIA令人惊讶的是{ \em不}存在于时间序列的个股，也不是他们的平均值。这一观察结果表明，指数中的股票出现了某种集体运动（同步）。
2006-01-02 physics.soc-ph q-fin.ST
A Robust Transferable Deep Learning Framework for Cross-sectional Investment Strategy
Nomura Asset Management Co.（野村资产管理公司）；New York University（纽约大学）
股票收益率的可预测性是一个重要的研究主题，因为它反映了我们的经济和社会组织，并作出了重大努力来解释其中的动态。人们提出了一种具有强解释力的统计量，称为“因子”，以概括预测股票收益的本质。虽然机器学习方法在股票收益预测中越来越受欢迎，但股票收益的推断非常难以捉摸，而且大多数投资者仍然依赖他们的直觉来做出更好的决策。这里的挑战是制定一个在相当长的时间内保持一致的投资策略，在整个过程中尽可能少地人为决策。为此，我们提出了一个新的股票收益预测框架，我们称之为排名信息系数神经网络（RIC-NN）。RIC-NN是一种深度学习方法，包括以下三个新思想：（1）非线性多因素方法，（2）具有排名信息系数（rank IC）的停止标准，以及（3）多个区域之间的深度迁移学习。与摩根士丹利资本国际（MSCI）指数中的股票进行的实验比较表明，RIC-NN不仅优于现成的机器学习方法，而且优于过去14年主要股票投资基金的平均回报。
2019-10-02 cs.LG q-fin.ST stat.AP
A Modeling Approach of Return and Volatility of Structured Investment Products with Caps and Floors
本文针对波多黎各与股市挂钩的个人退休账户（PRIRAs），提出一种结构性产品参数化建模方法，对比其与其他投资工具的收益风险特征，发现其表现逊于直接投市但因本金保障等特性适合部分风险厌恶投资者。
2023-10-28 q-fin.ST
Stock exchange shares ranking and binary-ternary compressive coding
本文提出了一种方法来排名的投资吸引力的交易所交易的股票的投资风险是不相关的波动性指标，而是有关的指标压缩的时间序列的价格变化。文章详细介绍了排名算法，提供了一个对道琼斯股票指数中所有公司股票进行排名的例子。本文还比较了波动率和压缩率对这些股票的排名结果，并显示了第二个指标的优势，该指标是使用历史金融数据的二元-三元压缩方法形成的。
2021-10-20 q-fin.ST
REST: Relational Event-driven Stock Trend Forecasting
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Microsoft Research Asia（微软亚洲研究院）；School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院）
股票趋势预测是为了预测股票未来的走势，是投资者从股票市场中寻求最大利润的关键。近年来，许多事件驱动方法利用从新闻、社交媒体和讨论板中提取的事件来预测股票趋势。然而，现有的事件驱动方法存在两个主要缺点：1）忽视了因股票依赖性而区分的事件信息的影响; 2）忽视了其他相关股票的事件信息的影响。本文提出了一种基于关系事件驱动的股票趋势预测框架，可以解决现有方法的不足。为了弥补第一个缺点，我们建议对股票上下文进行建模，并学习不同上下文下事件信息对股票的影响。为了解决第二个缺点，我们构造了一个股票图，并设计了一个新的传播层来传播相关股票的事件信息的影响。对真实数据的实验研究表明了该框架的有效性。投资模拟的结果表明，我们的框架可以实现比基线更高的投资回报率。
2021-02-19 cs.LG q-fin.ST
Democratization of Retail Trading: Can Reddit's WallStreetBets Outperform Investment Bank Analysts?
最近围绕Reddit的WallStreetBets（WSB）社区的炒作激发了对其对我们经济和社会影响的研究。尽管如此，一个重要的问题仍然存在：WSB的匿名贡献者社区是否真的能提供有价值的投资建议，甚至可能超越顶级金融机构？我们根据自2018年以来发布的160多万份WSB帖子，对WSB的投资建议与领先投资银行的建议进行了数据驱动的实证研究。%，用股票市场数据充实。为此，我们从WSB的原始文本中提取和评估所有标准普尔500指数股票的投资建议，并将其表现与来自最大投资银行的16，000多名分析师的建议进行比较。虽然并非所有WSB推荐都证明是有利可图的，但我们的结果显示，它们实现了与最好的银行竞争的平均回报，并在某些情况下表现优于它们。此外，WSB社区在发现表现最佳的股票方面比几乎所有投资银行都要好。我们的结论是，WSB确实可能构成一个免费访问的，有价值的投资建议来源。
2022-12-31 cs.CY cs.SI q-fin.ST
Incorporating Interactive Facts for Stock Selection via Neural Recursive ODEs
Southwestern University of Finance and Economics（西南财经大学）；University of Maryland, College Park（马里兰大学帕克分校）；Pennsylvania State University（宾夕法尼亚州立大学）；University of Electronic Science and Technology of China（电子科技大学）
选股是对股票进行排序，以优化投资决策，使投资风险最小化，利润回报最大化。最近，研究人员开发了各种基于（循环）神经网络的方法来解决这个问题。毫无例外，他们主要利用历史市场波动来提高选择绩效。然而，这些方法在很大程度上依赖于离散采样的市场观察，这要么没有考虑股票波动的不确定性，或预测未来的连续股票动态。此外，一些研究考虑了多个领域（例如，行业和股东）。然而，不同领域之间隐含的交叉依赖性尚未得到充分的研究。为了解决这些问题，我们提出了一种新的股票选择解决方案-股票ODE，一个潜在的变量模型与高斯先验。具体来说，我们设计了一个运动趋势相关性模块，以揭示股票运动的时变关系。我们设计了神经递归常微分方程网络（NRODE），以连续动态的方式捕捉股票波动的时间演化。此外，我们建立了一个层次超图，以纳入股票之间的领域感知依赖。在两个真实世界的股票市场数据集上进行的实验表明，StockODE显着优于几个基线，如高达18.57%的平均改善夏普比率。
2022-10-28 cs.LG q-fin.ST
Sector-wise analysis of Indian stock market: Long and short-term risk and stability analysis
本文首次利用多重分形理论对股票市场进行了行业分析。我们考虑了印度孟买证券交易所，并确定了两个时间尺度，短期（$<200$天）和长期（$>200$天）的投资。我们推断长期投资会更有利可图。对于长时间尺度，可以根据赫斯特指数值将行业分为两类;一类对应于波动较小的稳定行业，另一类则是大幅波动占主导地位，导致这些行业可能出现衰退。
2022-10-18 q-fin.CP q-fin.ST
Optimistic Bull or Pessimistic Bear: Adaptive Deep Reinforcement Learning for Stock Portfolio Allocation
投资组合配置对投资公司至关重要。然而，在复杂多变的股票市场中获得最佳策略是具有挑战性的。在本文中，我们提出了一种新的自适应深度确定性强化学习方案（自适应DDPG）用于投资组合分配任务，该方案结合了乐观或悲观的深度强化学习，反映在预测误差的影响中。选取道琼斯30种成分股作为我们的交易股票，以它们的日价格作为训练和测试数据。我们训练自适应DDPG代理，并获得一个交易策略。将自适应DDPG的性能与普通DDPG、道琼斯工业平均指数以及传统的最小方差和均值-方差投资组合配置策略进行了比较。自适应DDPG在投资回报率和夏普比率方面优于基线。
2019-06-21 q-fin.ST
A Regulated Market Under Sanctions: On Tail Dependence Between Oil, Gold, and Tehran Stock Exchange Index
我们证明，尾部依赖性应始终考虑作为一个代理的系统性风险损失的投资。我们提供了明确的统计证据表明，在一个受监管的市场上，投资组合的结构应该根据黄金价格进行调整。我们的研究结果表明，积极的石油商品易货贸易将防止面临国际制裁的国家市场崩溃。
2019-11-02 econ.GN q-fin.EC q-fin.ST
Transformer-Based Deep Learning Model for Stock Price Prediction: A Case Study on Bangladesh Stock Market
Ahsanullah University of Science and Technology（阿赫桑努拉科技大学）；University of Dhaka（达卡大学）；International Islamic University Chittagong（吉大港国际伊斯兰大学）
本文首次将基于time2vec编码的Transformer模型应用于孟加拉国达卡证券交易所，利用历史日和周数据预测八只特定股票价格走势，实验显示其均方根误差可接受且结果良好。
2022-08-17 cs.LG q-fin.ST
Stock Recommendations for Individual Investors: A Temporal Graph Network Approach with Mean-Variance Efficient Sampling
Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）；University of Glasgow（格拉斯哥大学）
针对个人投资者易忽视投资理论、偏好个人选择的问题，提出整合个人偏好、投资组合多样化及时序动态的PfoTGNRec模型，通过均值-方差有效采样和时序图网络提升推荐表现，在真实数据上优于现有基线。
2024-11-30 cs.AI cs.LG q-fin.ST
PriceSeer: Evaluating Large Language Models in Real-Time Stock Prediction
Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）；East China Normal University（华东师范大学）
PriceSeer通过实时动态数据评估LLMs在股票预测中的性能，提供数据无污染的基准测试及六种先进模型的多时间范围预测分析。
2025-12-31 cs.LG q-fin.ST
Utilizing Technical Data to Discover Similar Companies in Dhaka Stock Exchange
股票市场投资多年来一直是一种理想的投资形式。在股票市场中巧妙地投入资金会产生高利润回报。但是市场上有很多公司。目前，在达卡证券交易所（DSE）拥有股票的$345$活跃公司超过100家。分析所有这些公司是不可能的。然而，许多公司倾向于一起行动。本研究旨在找出哪些公司在DSE有密切的联系，并一起移动。通过分析这种关系，投资者和交易者将能够从计算少数公司中分析许多公司的统计数据。所进行的实验产生了有希望的结果。结果发现，尽管该系统除了技术数据外没有提供任何其他信息，但它能够识别出显示特定领域成果的公司。换句话说，从所进行的实验中发现了技术数据和基本数据之间的关系。
2023-01-11 q-fin.ST
Investment strategy due to the minimization of portfolio noise level by observations of coarse-grained entropy
使用最近开发的噪声水平估计的方法，利用粗粒度熵的属性，我们已经分析了道琼斯指数和纽约证券交易所的一些股票的噪声水平。我们已经发现，噪声水平的范围从40%到80%的信号方差。最小噪声水平的条件已被应用到从选定的股票构造最优投资组合。我们表明，实施相应的阈值投资策略，导致历史数据的正回报。
2004-12-30 cond-mat.stat-mech q-fin.ST
Event-Driven Learning of Systematic Behaviours in Stock Markets
NVIDIA（英伟达）
据报道，金融新闻，特别是新闻中表达的金融事件，为投资者的做多/做空决策提供信息，并影响股票市场的走势。基于此，我们利用金融事件流来训练一个分类神经网络，该网络可以检测美国股票市场中潜在的事件-股票联系和股票市场的系统行为。我们提出的流水线包括（1）一个组合的事件提取方法，利用开放信息提取和神经共指消解，（2）一个BERT/ALBERT增强的事件表示，和（3）一个扩展的分层注意力网络，包括对事件，新闻和时间水平的关注。与最先进的模型相比，我们的管道在预测标准普尔500指数、道琼斯指数、纳斯达克指数和10只个股时实现了更高的准确性和更高的模拟年化回报。
2020-10-23 cs.LG q-fin.ST
Towards Earnings Call and Stock Price Movement
S&P Global（标普全球）
盈利电话会议由上市公司的管理层主持，与分析师和投资者讨论公司的财务业绩。财报电话会议期间披露的信息是分析师和投资者做出投资决策的重要数据来源。因此，我们利用盈利电话会议成绩单来预测未来的股票价格动态。我们建议使用深度学习框架对成绩单中的语言进行建模，其中应用注意力机制将文本数据编码为向量，以供判别式网络分类器预测股价走势。实证实验表明，该模型优于传统的机器学习基线，且盈余预告信息能够提高股票价格的预测性能。
2020-08-23 cs.CE cs.CL cs.LG
Spanning analysis of stock market anomalies under Prospect Stochastic Dominance
我们开发和实施方法，以确定是否引入新的证券或放宽投资限制，提高了潜在投资者的投资机会。基于子抽样和线性规划，我们提出了一种新的两套投资组合的前景跨越检验方法。在一个应用中，我们使用前景跨越框架来评估是否已知的异常跨越标准因素。我们发现，在所考虑的策略中，许多策略扩大了前景型投资者的机会集，从而对他们具有实际的经济价值。样本内和样本外的结果证明非常一致的潜在投资者识别真正的异常。
2020-04-06 econ.EM q-fin.PM 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
The relationship between the US broad money supply and US GDP for the time period 2001 to 2019 with that of the corresponding time series for US national property and stock market indices, using an information entropy methodology
本文的主要目的是研究美国主要资产指数的增长是否可能是美国广义货币供应量和/或美国GDP的函数，在2001年至2019年期间，使用信息熵方法。调查的四个美国资产指数为：（1）美国国家房地产指数;（2）罗素2000指数;（3）标准普尔500指数;及（4）纳斯达克指数。尽管经历了2007-2008年的金融危机，但美国实际GDP在2001 - 2019年期间呈指数级增长，年均增长率约为2%。然而，在此期间，美国GDP的平均年增长率大大低于美国广义货币供应量的平均年增长率（5.7%）。所研究的所有四个美国资产指数的平均增长率的主要决定因素似乎是美国广义货币供应量的增长率。此外，美国罗素2000股票指数和纳斯达克指数的增长率似乎是美国广义货币供应量增长率和美国国内生产总值增长率的综合积极影响的函数。
2021-06-03 econ.GN q-fin.EC q-fin.ST
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
Should You Take Investment Advice From WallStreetBets? A Data-Driven Approach
Reddit的WallStreetBets（WSB）社区在影响现在被称为模因股票的股票价格方面发挥了显着作用。然而，人们对WSB上传播的高度投机性投资建议的可靠性知之甚少。本文分析了从2019年1月到2021年4月的WSB数据，以评估依赖社区建议的投资策略的成功程度。我们检测买入和卖出建议，并确定社区中最受欢迎的股票，基于此我们定义WSB投资组合。我们的评估显示，这一投资组合已增长约。200%，近三年来，比去年增长480%，大幅跑赢标普500指数。相比之下，买入和卖出信号的平均短期准确性并没有明显优于相同时间范围内随机或平均分布的买入决策。然而，我们提出了一种技术，用于估计帖子是否是主动的，而不是被动的，并表明，通过专注于一个子集的更有希望的购买信号，交易者可以作出投资，产生更高的回报比更广泛的市场或信任所有张贴的购买信号的策略。最后，该分析还专门针对2021年之前的时期进行，以排除2021年1月GameStop炒作的影响-结果证实了结论，并表明2021年的炒作只是放大了先前存在的特征。
2021-05-06 cs.CY cs.SI q-fin.ST
Time scales in stock markets
不同的投资策略，在短期和长期的时间尺度上采取不同的时间尺度，即使时间尺度是特设的性质。基于经验模态分解的赫斯特指数分析和方差技术被应用于从分解的内在模态函数（IMF）中识别短期和长期投资的时间尺度。赫斯特指数（$H$）对于时间尺度从几天到3个月的IMF为0.5左右，并且对于时间尺度$\geq5$个月的IMF为$H\geq0.75$。短期时间序列[ $X_{ST}(t)$ ]的时间尺度从几天到3个月和$H~0.5$和长期时间序列[ $X_{LT}(t)$ ]的时间尺度$\geq5$和$H\geq0.75$，代表市场的动态，从IMF构建。$X_{ST}(t)$和$X_{LT}(t)$表明，市场在短期内是随机的，在长期内是相关的。研究还表明，$X_{LT}(t)$与公司的基本面相关。本文的分析将有助于投资者设计投资和交易策略。
2019-06-13 nlin.CD q-fin.ST
The Time Function of Stock Price
本文将股票价格与时间的定量关系定义为一个时间函数。基于股票对数收益率是白噪声序列的经验证据，建立了描述股票价格运动现象的整数白噪声数学模型。运用演绎方法推导出股价运动的自相关函数、位移公式和功率谱密度，不仅揭示了股价运动的特征和规律，而且揭示了股价的可预测性。为证券投资的价格分析、预测和风险管理提供了演绎基础。
2023-02-20 q-fin.ST
Enhancing Profitability and Investor Confidence through Interpretable AI Models for Investment Decisions
School of Electrical Engineering and Computer Science, National University of Sciences and Technology (NUST)（国家科技大学电气工程与计算机科学学院）；Department of Computer Science, Bahria University（巴里亚大学计算机科学系）；College of Computer and Information Sciences (CCIS), Prince Sultan University（苏丹王子大学计算机与信息科学学院）
本文提出基于SHAP的可解释AI模型预测投资建议，提升投资者组合价值，增强信心与透明度。
2024-07-20 cs.AI cs.LG q-fin.ST
Interdependency between the Stock Market and Financial News
股票价格是由各种因素驱动的。特别是，许多金融知识相对较少的个人投资者在做出股票市场投资决策时严重依赖新闻报道的信息。然而，由于新闻的主观性，这些故事可能并不反映未来的股票价格;股票价格反而可能影响新闻内容。本研究旨在发现是新闻还是股票价格对另一个有更大的影响。为了实现这一点，我们分析了新闻情绪和股票价格之间的关系，基于时间序列分析，使用五种不同的分类模型。我们的实验结果表明，股票价格对新闻内容的影响大于新闻对股票价格的影响。
2019-09-01 cs.IR q-fin.ST
StockBot: Using LSTMs to Predict Stock Prices
已经尝试使用许多方法来评估金融市场以预测其行为，从而做出明智和有利可图的投资决策。由于高度非线性的趋势和相互依赖性，往往很难制定一个统计方法来阐明整个市场行为。为此，我们提出了一个基于长短期记忆（LSTM）的模型，该模型利用时间序列数据的序列结构来提供准确的市场预测。然后，我们开发了一个决策StockBot，在一天结束时买入/卖出股票，目标是利润最大化。我们成功地展示了一个准确的预测模型，因此我们的StockBot可以超越市场，并可以制定策略，获得比市场上最激进的ETF高出约15倍的收益。
2022-07-30 q-fin.ST
Alpha Mining and Enhancing via Warm Start Genetic Programming for Quantitative Investment
针对传统遗传规划挖掘股票 alpha 因子时搜索空间大、计算重且有效因子稀少的问题，提出带热启动初始化与结构约束的 GP 框架，在中国股市数据上取得更优样本外预测和组合收益。
2024-12-01 cs.NE q-fin.CP q-fin.ST
Tracing the temporal evolution of clusters in a financial stock market
本文提出股票收益时间序列聚类方法及图表示框架，将聚类演化映射为组合图问题，以辅助投资组合设计与投资策略，并在马德里证券交易所数据上验证。
2011-11-14 cs.CE math.ST q-fin.ST
NYSE Price Correlations Are Abitrageable Over Hours and Predictable Over Years
本研究分析2018-2022年约1000只NYSE股票分钟级数据，发现轻微均值回归的Hurst指数0.465，并利用相关性结构实现套利，年化收益约60%-100%，且相关性结构跨年持久。
2023-05-14 q-fin.PR q-fin.ST
Canonical Sectors and Evolution of Firms in the US Stock Markets
将公司划分为经济部门对于宏观经济分析和投资于特定部门的金融指数和交易所交易基金（ETF）非常重要。主要的工业分类系统和财务指数历来都是根据专家意见和手工编制的。在这里，我们展示了无监督机器学习如何提供更客观和全面的股票行业分解。在历史股票价格收益空间中出现的低维结构自动识别市场中的“典型部门”，并为每只股票分配参与这些部门的权重。此外，通过分析不同时期的数据，我们显示了上市公司的这些权重如何随着时间的推移而演变。
2018-01-18 physics.soc-ph q-fin.PM q-fin.ST
