2025发文新方向：AI+量化 人工智能与金融完美融合！

2025深度学习发论文&模子涨点之——AI+量化


人工智能的融入，使量化交易实现了质的突破。借助呆板学习、深度学习等先辈技术，人工智能可高效处置惩罚并分析海量市场数据，发掘出数据背后错综复杂的模式与趋势，从而不仅提拔了数据分析的精准度和服从，更为交易策略的构建提供了多元且深入的支撑。此外，人工智能还具备自我学习与优化的特质，凭借强化学习等手段，能连续微调策略参数，推动策略的自我更新与进化，进而让交易策略更契合市场动态，增强交易的成功概率与收益水平。
我整理了一些AI+量化【论文+代码】合集，需要的同学公人人人号【AI创新工场】自取。

论文精选
论文1：
FinRobot: AI Agent for Equity Research and Valuation with Large Language Models
FinRobot：利用大型语言模子举行股票研究和估值的人工智能署理
方法
   多智能体思维链（CoT）体系：构建了一个包含数据-CoT智能体、概念-CoT智能体和论点-CoT智能体的多层CoT框架，分别负责数据处置惩罚、概念天生和报告综合。
及时数据管道：整合了SEC文件、企业发布、收益电话会议记录等多源数据，确保数据的正确性和时效性。
定量与定性分析结合：通过概念-CoT智能体模拟人类分析师的推理过程，将定量数据和定性见解相结合，天生深入的财政分析。

  创新点
首个股票研究AI署理框架：初次将多智能agent CoT体系应用于股票研究，模拟人类分析师的分析深度和叙事技能，提供全面的公司分析。
及时数据与自由裁量判断结合：通过及时数据管道和正确性、逻辑性、叙事性评估指标，提拔了报告质量，正确性和逻辑性得分均到达9分以上，叙事性得分均匀为8分。

论文2：
InvestESG: A multi-agent reinforcement learning benchmark for studying climate investment as a social dilemma
InvestESG：用于研究天气投资作为社会逆境的多智能体强化学习基准
方法
多智能体强化学习（MARL）基准：设计了一个模拟企业天气投资决议的MARL情况，包罗公司和投资者两种智能体。
ESG披露政策模拟：模拟了ESG披露要求对企业天气投资的影响，以及ESG意识投资者怎样通过投资决议影响企业行为。
天气风险与经济动态：构建了一个包含天气变化风险和经济动态的模拟情况，公司可以通过投资减缓措施来降低体系性天气风险。

  创新点
  ESG披露政策影响：实验表明，当投资者具有高度ESG意识时，企业会增长减缓投资，降低天气风险，提高市场财产，终极天气风险降低了20%，市场财产增长了15%。
投资者偏好影响：不同ESG意识水平的投资者会导致企业策略分化，天气友爱型公司吸引更多ESG投资，而其他公司则偏重于利润最大化。
漂绿行为影响有限：即使允许漂绿，企业终极仍会放弃漂绿，转而投资减缓措施，以吸引ESG意识投资者，终极天气风险与不允许漂绿时相似。

论文3：
Modality-aware Transformer for Financial Time series Forecasting
用于金融时间序列推测的模态感知Transformer
方法
  特征级留意力层：引入特征级留意力层，使模子能够关注每个数据模态中最干系的特征。
模态内多头留意力（Intra-modal MHA）：开辟了模态内多头留意力机制，允许模子在每个单独模态中关注最重要的时间步。
模态间多头留意力（Inter-modal MHA）：开辟了模态间多头留意力机制，使模子能够发现不同模态之间的交叉干系性。
目标模态多头留意力（Target-modal MHA）：在解码器中引入了目标模态多头留意力机制，使模子能够发现目标时间序列与从两个输入数据模态中学到的模式之间的交互。

创新点
特征级留意力层：通过特征级留意力层，模子能够渐渐为最具信息量的文本主题和时间序列指数分配更大的留意力权重，同时对干系性较小的特征给予较少关注。
模态内和模态间多头留意力：通过将特征和时间留意力整合到多头留意力中，使多头留意力能够思量模态和特征重要性，从而天生更具信息量的嵌入。
目标模态多头留意力：通过特征级留意力融合的目标模态交叉多头留意力，使模子能够发现目标序列与两个输入数据模态之间学到的模式之间的交互，从而改善目标时间序列的解码行为。
性能提拔：在FED声明/BeigeBooks和美国利率数据集上的实验效果表明，Modality-aware Transformer显著优于其他最先辈的时间序列推测方法。

论文4：
Adaptive and Explainable Margin Trading via Large Language Models on Portfolio Management
通过大型语言模子在投资组合管理中实现自顺应和可解释的包管金交易
方法
  可解释的市场推测/推理管道：利用大型语言模子（LLMs）从多样化的外部数据源中学习市场趋势，并确定最优调整比例，同时提供清楚的推理路径。
头寸再分配阶段：与预训练的强化学习（RL）模子的次序交易过程交互，增强决议制定和透明度。
灵活的数据源和模子集成：框架能够容纳从微观经济到宏观经济数据、多种数据范例（包罗时间序列和新闻文本）以及多种大型语言模子。

创新点
首个框架：提出了首个将大型语言模子与强化学习集成用于包管金交易中动态多空头寸调整的框架。
灵活性：框架提供了对各种外部数据源、数据范例和多种大型语言模子的灵活性，并提供多角度的解释。
性能提拔：与基准相比，该框架在多种市场条件下显著提高了红利能力和风险平衡能力，累积回报提高了最多3倍，夏普比率提高了2倍。
可解释性：不仅推测市场趋势和调整比例，还提供了透明的推理路径和清楚的解释，为投资组合调整的决议提供了宝贵的见解。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。