CTMSTOU driven markets: simulated environment for regime-awareness in trading policies
J.P. Morgan AI Research（摩根大通人工智能研究院）
市场机制是数量金融学中的一个热门话题，尽管在如何定义市场机制的细节上还没有达成共识。它们作为金融市场预测问题和金融市场任务执行问题的一个特征出现。在这项工作中，我们使用离散事件时间多代理市场模拟自由实验在一个可重复的和可理解的环境中，制度可以明确切换和执行。我们引入了一种新的随机过程来模拟市场参与者所感知的基本价值：连续时间马尔可夫转换趋势Ornstein-Uhlenbeck（CTMSTOU），这有利于研究在政权转换市场的交易政策。我们定义的概念，政权意识的交易代理，以及说明其重要性，通过研究不同的订单放置策略的情况下，订单执行问题。
2022-02-03 cs.AI cs.MA econ.GN
Learning Financial Asset-Specific Trading Rules via Deep Reinforcement Learning
Amirkabir University of Technology（阿米尔卡比尔理工大学）
根据资产的财务状况生成特定于资产的交易信号是自动交易中的挑战性问题之一。基于不同的技术分析技术，实验性地提出了各种资产交易规则。然而，这些交易策略是有利可图的，从大量的历史数据中提取新的特定于资产的交易规则来增加总回报并降低投资组合的风险对于人类专家来说是困难的。最近，各种深度强化学习（DRL）方法被用来学习每种资产的新交易规则。本文提出了一种新的具有多种特征提取模块的DRL模型。不同的输入表示的模型的性能的影响进行了研究，并在不同的市场和资产情况下的DRL为基础的模型的性能进行了研究。本文提出的模型在学习单一资产特定交易规则方面优于其他最先进的模型，并在两年内获得了近262%的特定资产总回报率，而最好的最先进模型在同一时间段内获得了78%的相同资产。
2020-10-27 cs.AI
Explainable Reinforcement Learning on Financial Stock Trading using SHAP
Institute for Development and Research in Banking Technology (IDRBT)（银行业技术发展与研究所（IDRBT））；University of Hyderabad（海得拉巴大学）
近年来，可解释人工智能（XAI）研究在响应用户社区对AI更高透明度和信任度的需求方面取得了显著进展。这一点尤其重要，因为人工智能被应用于金融、医学等敏感领域，对社会、道德和安全的影响是巨大的。经过全面系统的评估，XAI的工作主要集中在机器学习（ML）的分类，决策或行动。据我们所知，没有任何工作报告提供了一个可解释的强化学习（XRL）方法来交易金融股票。在本文中，我们提出在流行的深度强化学习架构上使用SHapley加法解释（SHAP），即，深度Q网络（DQN），用于解释金融股票交易中给定实例的代理行为。为了证明我们的方法的有效性，我们在两个流行的数据集上进行了测试，即SENSEX和DJIA，并报告了结果。
2022-08-18 cs.AI
Agent Memory with Episodic Retrieval for Financial Decision-Making
University of British Columbia（不列颠哥伦比亚大学）；University of Science and Technology of China（中国科学技术大学）；Fudan University（复旦大学）；Zhejiang University（浙江大学）
提出META，首个RAG式情景记忆增强多智能体交易框架，通过检索历史交易情景并自适应重加权信号，提升短期方向准确性与稳健性。
2026-09-25 cs.AI
Agentic Trading: When LLM Agents Meet Financial Markets
College of Electronic and Information Engineering, Shenzhen University, Shenzhen, China（深圳大学电子与信息工程学院）；Shenzhen Audencia Financial Technology Institute, Shenzhen University, Guangdong, People's Republic of China（深圳大学审计金融科技研究所）
本文探讨了如何将大语言模型（LLM）作为交易系统中的代理，感知市场信息、检索上下文、进行决策推理、发出可交易动作并适应市场反馈。研究通过分析77项研究，发现协议不可比性是主要问题，提出证据日志、可重复性审计和报告检查表作为主要贡献。
2026-10-06 cs.AI
A Multimodal Foundation Agent for Financial Trading: Tool-Augmented, Diversified, and Generalist
Nanyang Technological University（南洋理工大学）；National University of Singapore（新加坡国立大学）；Zhejiang University（浙江大学）
本文提出FinAgent，一个融合多模态数据处理、工具增强与双层反思记忆机制的基础智能体，在6个金融数据集上显著超越9个基线，实现利润平均提升超36%。
2024-06-28 cs.AI q-fin.TR
A generalized financial time series forecasting model based on automatic feature engineering using genetic algorithms and support vector machine
Pontifícia Universidade Católica do Paraná（巴拉那天主教大学）
我们提出了遗传算法的时间窗口优化，这是一个嵌入式遗传算法（GA），优化的时间窗口（TW）的属性，使用特征选择和支持向量机。这个GA是使用交易模拟的结果来进化的，它为每个技术指标确定最佳TW。使用一个向前走的交易模拟进行了适当的评估，并验证了训练后的模型是可推广的预测其他股票数据。结果表明，使用遗传算法来确定TW可以提高收益率，导致更好的预测模型比那些使用默认TW。
2018-09-18 cs.AI
An intelligent financial portfolio trading strategy using deep Q-learning
Pohang University of Science and Technology（浦项科技大学）；Seoul National University of Science and Technology（首尔国立科技大学）
投资组合交易者努力确定动态投资组合分配方案，以便在整个投资期限内有效分配总预算。本研究提出了一种新的投资组合交易策略，其中智能代理通过使用深度Q学习来训练以识别最佳交易行为。我们制定了一个马尔可夫决策过程模型的投资组合交易过程中，该模型采用了离散的组合行动空间，确定交易方向，在预先设定的交易规模为每种资产，以确保实用性。我们新颖的投资组合交易策略利用三个特点，在现实世界的交易中表现出色。首先，设计一个映射函数来处理和转换一个最初发现的，但不可行的行动到一个可行的行动最接近最初提出的理想行动。其次，本研究克服维度问题，建立代理人与Q-网路模型，在预定义的行动空间中推导出多资产交易策略。最后，本研究介绍了一种技术，其优点是通过设计一个代理来模拟每个状态下的所有可行行动，从而得出一个非常适合的多资产交易策略。为了验证我们的方法，我们对两个有代表性的投资组合进行了回测，并展示了优于基准策略的结果。
2019-11-28 cs.AI q-fin.PM
The Alpha Illusion: Reported Alpha from LLM Trading Agents Should Not Be Treated as Deployment Evidence
Fudan University（复旦大学）；Shanghai University of Finance and Economics（上海财经大学）；Southwest University of Finance and Economics（西南财经大学）；Northeastern University（东北大学）；Imperial College London（伦敦帝国理工学院）；Peng Cheng Laboratory（鹏城实验室）
本文指出，LLM交易代理报告的阿尔法不应被当作部署的证据，因为这些阿尔法需要通过结构有效性测试来验证其时间完整性、现实摩擦、反事实稳健性、预测校准、数值执行和多代理分解等关键指标，当前的公开证据无法区分稳健的预测能力与时间污染、未建模的摩擦、短窗口夏普不确定性、叙事拟合和参数先验等因素。
2026-05-16 cs.AI cs.CE cs.CL
FinLLM-B: When Large Language Models Meet Financial Breakout Trading
Qing Yuan Research Institute（清源研究院）；Shanghai Jiao Tong University（上海交通大学）；Waseda University（早稻田大学）；Lehigh University（理海大学）；BIGAI（北京智源人工智能研究院）
针对金融突破交易中真假突破难区分、现有大模型效果欠佳的问题，研究构建首个金融突破数据集，推出带多阶段结构的FinLLM-B模型，显著提升突破检测的答案与推理准确率。
2025-02-22 cs.AI cs.CL
FLAG-Trader: Fusion LLM-Agent with Gradient-based Reinforcement Learning for Financial Trading
Harvard University（哈佛大学）；Stevens Institute of Technology（史蒂文斯理工学院）；Columbia University（哥伦比亚大学）；University of Minnesota（明尼苏达大学）；NVIDIA（英伟达公司）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；TheFinAI；University of Manchester（曼彻斯特大学）
针对大语言模型在交互式金融交易等多步骤目标导向场景中决策能力不足的问题，提出融合LLM与梯度驱动强化学习的FLAG-Trader框架，以部分微调LLM为策略网络，经交易奖励优化后提升交易及其他金融任务表现。
2025-02-19 cs.AI cs.CE q-fin.TR
Financial Vision Based Reinforcement Learning Trading Strategy
Soochow University（苏州大学）；National Taiwan University（台湾大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）
用于量化交易的人工智能（AI）的最新进展导致其在显著的交易表现中表现出普遍的超人表现。然而，人工智能交易的潜在风险是一个“黑箱”决策。一些AI计算机制非常复杂，难以理解。如果我们在没有适当监督的情况下使用人工智能，人工智能可能会导致错误的选择并造成巨大损失。因此，我们需要询问人工智能的“黑匣子”，包括为什么人工智能决定这样做或不这样做？为什么人们可以信任AI或不信任？人们如何纠正自己的错误？这些问题也凸显了AI技术在交易领域可以解释的挑战。
2022-02-03 cs.AI cs.CE cs.LG
Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading
Tongji University（同济大学）；Microsoft Research Asia（微软亚洲研究院）；University of Bristol（布里斯托大学）；Fudan University（复旦大学）
TiMi是一种基于理性驱动的多代理系统，通过解耦策略开发与分钟级部署，实现量化金融交易的高效稳定盈利。
2026-02-09 cs.AI cs.MA
DDPG based on multi-scale strokes for financial time series trading strategy
Beijing University Of Technology（北京工业大学）
随着人工智能的发展，越来越多的金融从业者将深度强化学习应用于金融交易策略，但由于单尺度时间序列噪声大、非平稳性强、非线性等特点，难以提取准确的特征，难以获得高收益。根据经典的金融理论--Chan理论，在金融时间序列的多个时间尺度上提取多尺度特征矩阵，提出了一种多尺度笔划深度确定性策略梯度强化学习模型（MSSDPG）方法为了寻找最优的交易策略，我们在美国道琼斯指数、标准普尔500指数和中国沪深300指数、上证综指数据集上进行了实验，并与海龟交易策略、深度Q学习（DQN）强化学习策略、实验结果表明，该方法在沪深300、上证综合指数上取得了较好的效果，在美国道琼斯、标普500指数上取得了较好的效果。
2022-06-05 cs.AI cs.LG q-fin.TR
Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning
Yonsei University（延世大学）
自主交易代理是人工智能解决资本市场投资组合管理问题最活跃的研究领域之一。投资组合管理问题的两个主要目标是最大化收益和抑制风险。然而，大多数解决这个问题的方法只考虑最大化收益。因此，本文提出了一种基于深度强化学习的交易代理，它可以管理投资组合，不仅考虑利润最大化，还考虑风险约束。我们还提出了一个新的目标政策，让交易代理人学习更喜欢低风险的行动。新的目标策略可以通过超参数调整贪婪度来反映在更新中。拟议的交易代理通过加密货币市场的数据验证性能。加密货币市场是测试我们交易代理的最佳试验场，因为每分钟积累的数据量巨大，市场波动性极大。作为实验结果，在测试期间，我们的代理人实现了1800%的回报，并提供了现有方法中风险最小的投资策略。实验表明，即使在市场波动较大或训练周期较短的情况下，该智能体仍能保持鲁棒的广义性能。
2019-09-07 cs.AI q-fin.TR
Trading-R1: Financial Trading with LLM Reasoning via Reinforcement Learning
University of California, Los Angeles（加州大学洛杉矶分校）；University of Washington（华盛顿大学）；Stanford University（斯坦福大学）；Tauric Research Institute（金牛座研究所）
本文提出Trading-R1，一个通过监督微调和三阶段强化学习课程，结合战略思维与波动率调整的金融推理模型，在六只主要股票和ETF上实现了优于现有模型的风险调整收益与更低回撤。
2025-09-14 cs.AI cs.CE cs.CL
STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading
Nanyang Technological University（南洋理工大学）；Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
STORM通过双向量量化变分自编码器从时空视角提取股票特征，融合并对齐多维嵌入，提升金融交易中因子选择的鲁棒性和有效性。
2026-01-14 cs.AI cs.LG
Enhanced Trading Systems with Intelligent Market Analysis
PES University（PES大学）；Key Resource Person（关键资源人员）
该研究提出融合日内市场数据与Transformer金融情绪信号的混合强化学习交易框架，将其融入PPO交易智能体，在NSE日内数据实验中较仅价格基准提升了风险调整后收益。
2026-10-14 cs.AI cs.LG
Orchestration Framework for Financial Agents: From Algorithmic Trading to Agentic Trading
SecureFinAI Lab, Columbia University（安全金融人工智能实验室，哥伦比亚大学）；Purdue University（普渡大学）；Rensselaer Polytechnic Institute（拉特格斯理工学院）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出了一种金融代理的协调框架，通过代理系统实现了股票和加密货币交易，展示了其在不同市场中的表现和优势。
2025-12-01 cs.AI cs.CE cs.LG
AlphaForgeBench: Benchmarking End-to-End Trading Strategy Design with Large Language Models
Nanyang Technological University（南洋理工大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong Polytechnic University（香港理工大学）
提出AlphaForgeBench框架，将LLM从随机交易代理重新定义为量化研究员，通过生成可执行alpha因子和基于因子的交易策略，消除执行不稳定，实现可复现的金融推理评估。
2026-05-27 cs.AI q-fin.TR
Compatible deep neural network framework with financial time series data, including data preprocessor, neural network model and trading strategy
University of Padova（帕多瓦大学）；University of Calgary（卡尔加里大学）
经验表明，股票和加密货币市场的交易具有高利润的潜力。有鉴于此，最近投入了相当大的努力来研究如何应用机器学习和深度学习来解释和预测市场行为。这项研究引入了一种新的深度神经网络架构，以及如何在将财务数据输入模型之前准备财务数据的新颖想法。在数据准备部分，第一步是使用技术指标生成许多特征，然后应用XGBoost模型进行特征工程。将数据分为三类并使用单独的自动编码器，我们在第二步提取高级混合特征。引入这种数据预处理来预测价格走势。关于建模，不同的卷积层，一个长短期记忆单元，和几个完全连接的层被设计来执行二进制分类。本研究还引入了一种交易策略来利用训练后的模型输出。三个不同的数据集被用来评估这种方法，结果表明，这个框架可以为我们提供有益的和强大的预测。
2022-05-11 cs.AI cs.CE cs.LG
News-Aware Direct Reinforcement Trading for Financial Markets
针对金融市场新闻敏感性强的特点，提出将大模型新闻情感分数与量价数据共同作为强化学习输入、结合序列模型实现端到端交易的新闻感知直接强化交易方法，在加密货币市场实验中表现优于市场基准，验证了时序信息的关键作用。
2025-10-22 cs.AI cs.LG q-fin.CP
F$^2$Agent: Financial Fusion of Agentic Intelligence for Multimodal Trading
National University of Singapore（新加坡国立大学）；Huazhong University of Science and Technology（华中科技大学）；Zhejiang University（浙江大学）
该研究针对现有多模态金融交易模型的跨模态依赖捕捉不足、抗噪性差的问题，提出F²Agent框架，通过专业化智能体提取模态信号、模态感知自适应融合机制及抗噪正则化，在6种资产上较16个基线实现超20%年化回报率提升，表现出优异性能。
2026-08-07 cs.AI cs.MA cs.MM
RegimeNAS: Regime-Aware Differentiable Architecture Search With Theoretical Guarantees for Financial Trading
Department of Computer Science Engineering PES University Bangalore, India（计算机科学工程系 印度班加罗尔 PES大学）
提出 RegimeNAS 框架，通过整合市场机制感知、贝叶斯搜索空间、动态神经模块和多目标损失函数，显著提升加密货币交易表现并加速收敛。
2025-08-15 cs.AI cs.LG
Behavioral Consistency Validation for LLM Agents: An Analysis of Trading-Style Switching through Stock-Market Simulation
Fudan University（复旦大学）；Wuhan University（武汉大学）；BNP Paribas（BNP巴黎银行）；Oxford University（牛津大学）；Haven
本文通过股票市场模拟分析交易风格切换，评估LLM代理策略切换与金融理论的一致性，提出四个行为金融驱动因素作为性格特质，并通过Mann-Whitney U检验比较策略切换行为与理论的一致性。
2026-03-24 cs.AI q-fin.TR
Deep Learning Models Meet Financial Data Modalities
Sirius University of Science and Technology（西里乌斯科学技术大学）
本研究将深度学习模型与多种金融数据模态整合，提出基于嵌入和图像化限价订单簿快照的新方法，在高频交易中达到最先进性能，提升交易策略预测能力。
2025-04-21 cs.AI cs.CE cs.LG
TradExpert: Revolutionizing Trading with Mixture of Expert LLMs
Université de Montréal（蒙特利尔大学）；Mila；The Hong Kong University of Science and Technology（香港科学与技术大学）
本文提出 TradeExpert 框架，用四个专门 LLM 分别处理新闻、市场、alpha 因子和基本面数据，并由 General Expert LLM 综合决策，支持股票预测与量化交易排序，且发布大规模金融数据集验证其优越性能。
2025-05-13 cs.AI q-fin.ST
DeepScalper: A Risk-Aware Reinforcement Learning Framework to Capture Fleeting Intraday Trading Opportunities
Nanyang Technological University（南洋理工大学）；Huawei Noah Ark Lab（华为诺亚方舟实验室）；Webank（微众银行）；Tsinghua University（清华大学）
强化学习（RL）技术在许多具有挑战性的定量交易任务中取得了巨大成功，例如投资组合管理和算法交易。特别是，由于金融市场的日内行为反映了数十亿快速波动的资金，日内交易是最有利可图和风险最大的任务之一。然而，绝大多数现有的RL方法集中在相对低频的交易场景（例如，日级别），并未能捕捉稍纵即逝的日内投资机会，由于两个主要的挑战：1）如何有效地训练有利可图的RL代理日内投资决策，这涉及高维细粒度的行动空间; 2）如何学习有意义的多模态市场表示，以了解在tick级别的金融市场的日内行为。受专业人类日内交易者的高效工作流程的启发，我们提出了DeepScalper，这是一个用于日内交易的深度强化学习框架，以应对上述挑战。具体来说，DeepScalper包括四个组件：1）具有动作分支的决斗Q网络，用于处理日内交易的大动作空间，以实现高效的RL优化; 2）具有事后奖励的新型奖励函数，以鼓励RL代理在整个交易日的长期视野下做出交易决策; 3）用于学习多模态时间市场嵌入的编码器-解码器架构，其结合了宏观级和微观级市场信息;（4）风险意识辅助任务，在利润最大化和风险最小化之间保持平衡。通过对六种金融期货三年多的真实市场数据进行广泛的实验，我们证明了DeepScalper在四个金融标准方面的表现明显优于许多最先进的基线。
2022-08-21 cs.AI cs.LG q-fin.TR
Quantitative Stock Investment by Routing Uncertainty-Aware Trading Experts: A Multi-Task Learning Approach
Nanyang Technological University（南洋理工大学）
量化投资是一项基本的金融任务，高度依赖于准确的股票预测和有利可图的投资决策。尽管深度学习（DL）的最新进展在随机股票市场中捕捉交易机会方面表现出色，但我们观察到现有DL方法的性能对随机种子和网络初始化敏感。为了设计更有利可图的DL方法，我们分析了这一现象，发现现有作品的两个主要局限性。首先，准确的财务预测和有利可图的投资策略之间存在明显的差距。第二，投资决策只基于一个单独的预测，而不考虑模型的不确定性，这与现实世界中的交易公司的工作流程不一致。为了解决这两个局限性，我们首先将定量投资重新定义为一个多任务学习问题。随后，我们提出了AlphaMix，一个新的两阶段混合专家（MoE）的定量投资框架，模仿成功的交易公司的有效的自下而上的交易策略设计工作流程。在第一阶段，多个独立的交易专家与个人不确定性感知损失函数联合优化。在第二阶段，我们训练神经路由器（对应于投资组合经理的角色），以根据需要动态部署这些专家。AlphaMix也是一个通用的框架，适用于各种骨干网络架构，具有一致的性能增益。通过对两个最具影响力的金融市场（美国和中国）五年以上的长期真实数据进行广泛的实验，我们证明了AlphaMix在四个金融标准方面显著优于许多最先进的基线。
2022-06-07 cs.AI cs.LG q-fin.TR
TraderTalk: An LLM Behavioural ABM applied to Simulating Human Bilateral Trading Interactions
UNSW（新南威尔士大学）
该研究提出TraderTalk模型，通过LLM生成行为增强ABM模拟人类双边交易互动，解决代理轮流发言等挑战，在政府债券市场复制交易决策并验证了成交订单量比，证明LLM增强ABMs在金融模拟中的潜力。
2024-10-10 cs.AI q-fin.TR
A Survey of Financial AI: Architectures, Advances and Open Challenges
Forth AI（福斯人工智能公司）
本文系统综述了金融人工智能在预测模型、决策框架和知识增强系统三个维度的架构与进展，并指出理论创新与工业落地之间的关键差距及未来开放挑战。
2024-11-01 cs.AI cs.CE cs.LG
Revisiting Ensemble Methods for Stock Trading and Crypto Trading Tasks at ACM ICAIF FinRL Contest 2023-2024
Columbia University（哥伦比亚大学）；Business School, Columbia University（哥伦比亚大学商学院）
本文利用GPU大规模并行模拟重审集成方法，加速强化学习采样，在股票和加密货币交易中提升鲁棒性，降低回撤并提高夏普比率。
2025-01-18 cs.AI cs.CE stat.ML
Trading Agents or Market Crashers? Dissecting Robustness and Security Failures in Academic Financial LLM Trading Schemes
Texas A&M University（得克萨斯农工大学）
本研究提出FARSIGHT框架，系统评估金融LLM交易代理的鲁棒性与安全性，发现多数方案存在严重缺陷，且微小误判或低成本攻击均可引发市场崩盘。
2026-10-27 cs.AI cs.CR cs.MA
Composing Ensembles of Instrument-Model Pairs for Optimizing Profitability in Algorithmic Trading
KOC University（科奇大学）
本文提出一种经网格搜索优化的两层 Composing Ensembles 架构，用于预测金融工具次日价格涨跌，回测显示其收益较基准提升20%。
2024-11-06 cs.AI cs.LG q-fin.TR
Reinforcement Learning Framework for Quantitative Trading
Johns Hopkins University（约翰斯·霍普金斯大学）
针对强化学习在量化交易中缺乏实际有效性证据及金融指标利用不足的问题，本文提出利用金融指标增强RL智能体区分买卖行动的能力，为基础框架的进一步探索奠定基础。
2024-11-12 cs.AI q-fin.CP 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
Label Unbalance in High-frequency Trading
Likelihood Lab（似然实验室）；Sun Yat-sen University（中山大学）；Peking University（北京大学）；The London School of Economics and Political Science（伦敦政治经济学院）；Tsinghua University（清华大学）
针对高频交易中收益预测的标签不平衡问题，本文采用结合全面标签不平衡调整方法的端到端深度学习框架，成功实现中国期货市场的高频收益预测，并公开了代码。
2025-03-21 cs.AI cs.LG q-fin.CP
Is it a great Autonomous FX Trading Strategy or you are just fooling yourself
Aeronautics Institute of Technology (ITA)（航空技术学院（ITA））
在本文中，我们提出了一种方法来评估自主交易策略，提供了现实的期望，关于战略的长期表现。这种方法解决了许多陷阱，这些陷阱目前甚至欺骗了经验丰富的软件开发人员和研究人员，更不用说购买这些产品的客户了。我们提出了我们的方法应用到几个著名的自主交易策略，这是用来管理金融资产的多样化选择的结果。结果表明，这些公布的策略中有许多远不是金融投资的可靠工具。我们的方法暴露了建立一个可靠的，长期的战略所涉及的困难，并提供了一种手段来比较潜在的战略，并选择最有前途的一个建立最小的时间和要求的测试执行。有许多开发人员创建软件来自主购买和出售金融资产，其中一些在模拟历史价格序列（通常称为回测）时表现出色。然而，当这些策略在真实市场中使用时（或在其培训或评估中未使用的数据），它们的表现往往很差。所提出的方法可以用来评估潜在的战略。通过这种方式，该方法有助于判断你是否真的有一个伟大的交易策略，或者你只是在欺骗自己。
2021-11-19 cs.AI cs.CE cs.SE
FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design
Stevens Institute of Technology（史蒂文斯理工学院）
FinMem通过分层记忆、角色画像与决策模块构建大语言模型金融交易智能体，模拟人类交易员认知结构，并在真实股票数据上验证其领先表现与可调优性。
2023-12-03 cs.AI cs.CE cs.LG
A Financial Time Series Denoiser Based on Diffusion Model
King’s College London（伦敦国王学院）
本文提出利用条件扩散模型对金融时间序列进行去噪，以提升数据可预测性和交易表现，实验表明去噪数据能改善收益分类、提高交易效率并识别市场加噪状态以获取超额收益。
2024-09-02 cs.AI cs.LG q-fin.CP
FinTradeBench: A Financial Reasoning Benchmark for LLMs
University of Central Florida（佛罗里达中央大学）
提出FinTradeBench基准，通过结合公司基本面与交易信号，评估大语言模型在金融推理中的表现，发现检索增强对数值和时间序列推理帮助有限。
2026-06-11 cs.AI cs.CE cs.CL
