Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management
创建于 更新于
摘要
本文提出了SimStock，一种结合自监督学习与时间域泛化的新型时序表示学习框架，用于捕获金融时间序列中股票之间复杂且动态的相似性。SimStock通过创新的维度扰动方法，增强对数据非平稳性和噪声的鲁棒性，在多个真实世界数据集上显著优于现有方法。其应用涵盖找相似股票、配对交易、指数跟踪及组合优化，均表现出超越传统方法的实用价值，验证了基于时间序列学习的投资管理潜力[page::0][page::1][page::11][page::26]
