本报告基于26个日频特征与64个60分钟高频特征构建混频深度学习模型，显著提升了因子的周频选股能力，周均IC达到0.10，TOP 10%组合年化超额收益达30%以上。通过实际应用于中证500及1000指数增强组合，年化超额收益分别可达16%-25%。此外，利用正交层生成多个相互正交因子集，拓展深度学习模型在量价因子挖掘中的应用潜力。报告详细对比了混频训练与传统线性加权方法、不同调仓周期及风险控制参数对因子表现和策略绩效的影响，数据充分支持投资应用的有效性和稳健性[page::0][page::4][page::6][page::8][page::10][page::13][page::15]。
本文基于中证A500指数编制规则，模拟其历史成分股并构建指数增强组合。组合采用量价及基本面因子构建收益预测模型，严格约束组合偏离，月度调仓实现年化超额收益11.2%，超过基准指数表现稳定。因子归因显示市值、价值、行业与反转因子贡献显著，且因子间互补性强。回撤多发生于风格切换期，beta因子适度和有条件控制能有效降低风险、改善业绩表现，为指数增强基金的量化投资提供实证支持与风控建议[page::0][page::4][page::6][page::7][page::8][page::10][page::11][page::12]。
本报告系统评析了传统因子IC、Rank IC、MAE及改进的Rank MAE等多种因子绩效评价方法，揭示传统IC方法对中间收益组股票贡献不足的缺陷，提出Rank MAE方法可有效均衡不同收益分位数贡献及适用于深度学习loss函数。基于各绩效方法构建的因子动量组合进行了全面回测，结果显示Rank MAE在控制组合波动率和最大回撤方面优势明显，尤其在叠加换手率和多重约束的指数增强组合中表现稳健，综合信息比有所提升。报告还详细分析了不同因子绩效权重分配差异及极端收益股票对绩效的影响，为后续优化组合构建及因子提炼提供理论与实证支持。[page::0][page::7][page::11][page::13][page::18]
本报告提出LARA框架，通过局部感知注意力机制（LA-Attention）提取潜在盈利样本，并利用迭代细化标签方法（RA-Labeling）适应性修正噪声标签。实验涵盖股票、加密货币及ETF市场，结果显示LARA在精准率、收益率等多指标上显著优于现有机器学习方法，增强了对真实交易机会的捕捉能力 [page::0][page::1][page::2][page::3][page::5][page::6]。
本文提出了StockFormer，一种融合预测编码和强化学习的混合交易模型。该模型通过三条Transformer分支分别学习长期、短期和资产关系隐状态，并利用多头注意力机制融合这些状态实现策略优化。实验证明StockFormer在股票及加密货币市场多数据集上显著提升了投资组合收益率和夏普比率，优于现有方法 [page::0][page::1][page::4][page::5][page::6]。
本报告提出了基于时间图网络的股票推荐系统PfoTGNRec，结合了个体偏好、投资组合多样化和时间动态特性，通过均值-方差有效采样提升投资表现。实证结果显示，该模型在真实投资数据上相较先进基线模型提升了3.45%的综合指标，兼顾了用户偏好和投资回报，显著优化了推荐效果及投资组合绩效 [page::0][page::1][page::5][page::6][page::7]。
本文提出了一种结合基于FinBERT的社交情绪指数（SSI）与目标辅助融合变压器（TAFT）模型的金融指数预测方法。通过引入SSI作为辅助特征，模型有效捕捉社会情绪对市场的影响，实现了S&P 500指数均方误差降低33.3%。TAFT模型集成动态注意力机制，实现了模型的可解释性，显著提升了预测精度与分类任务性能，验证了情绪分析与深度时序模型融合在金融预测中的巨大潜力[page::0][page::1][page::5][page::6]
本报告提出了RSAP-DFM模型，一种基于连续状态切换的自适应双重动态因子模型，通过引入多头注意力机制和对抗性后验因子构建，实现宏观经济状态动态映射与股票收益预测的融合。该模型采用双层优化算法显著提升预测准确性，实证结果显示其在沪深A股市场三个样本数据集上均超越现有方法，具备优异的稳健性和投资表现[page::0][page::1][page::3][page::5][page::6]。
本报告提出了ROIDICE，一种基于线性分数规划和稳态分布校正的离线ROI最大化算法，优化策略的投资回报效率。通过对随机MDP和连续领域的实证对比，ROIDICE展现了优于传统离线RL和受限RL方法的更高ROI和策略效率，兼顾策略回报与累计成本的权衡 [page::0][page::5][page::8][page::19]。
本报告提出了MASTER，一种结合市场信息进行自动特征选择的新型股票价格预测Transformer模型，通过交替的行业内时间序列聚合和跨股票时间步相关性捕获，实现了对瞬时与跨时间股票相关性的高效建模。实验在中国股市CSI300和CSI800数据集上验证了其优越性，较当前最优方法在多项排名和组合指标上提升显著，且可视化结果揭示了动态、非对称和稀疏的股票间跨时间相关结构[page::0][page::1][page::4][page::6]。
本报告提出MacroHFT，一种基于记忆增强和上下文感知的分层强化学习框架，针对加密货币分钟级高频交易，通过趋势和波动率指标分解市场，训练多样化子代理并结合记忆机制训练超代理，实现了在多市场中的盈利能力和风险控制双优。实验显示MacroHFT显著超越多种主流方法，具备快速响应市场波动和防过拟合能力，为高频交易量化策略提供有效解决方案 [page::0][page::1][page::3][page::4][page::5][page::7][page::8]
本报告提出了MacMic，一种基于层次强化学习的长时段冰山订单执行方法。该方法通过高层策略进行粗粒度的订单切片并由低层策略逐个限价单执行，结合堆叠隐马尔可夫模型（SHMM）提取多粒度市场状态，有效处理了动作空间大和执行周期长的问题。实验覆盖美股和中国A股200支股票，结果显示MacMic在价格优势和执行成功率上明显优于多种基线方法，验证了其在量化交易执行中的实际应用价值和有效性[page::0][page::1][page::5][page::6]。
本报告评估了GPT-4、PaLM 2和MPT Instruct三款大型语言模型（LLMs）作为金融领域关系抽取数据标注工具的效果和效率。研究显示，GPT-4和PaLM 2显著优于非专家众包标注者，能够替代一部分人工标注工作，结合引入的可靠性指数（LLM-RelIndex）可有效筛选需专家复核的样本。此外，通过多种prompt设计和多轮实验，分析了模型性能、标注一致性、错误类型与成本时间，对未来金融领域自动标注任务提供了实践建议 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7]。
本报告提出AlphaMix，一种模仿真实交易公司底层层级设计流程的三阶段混合专家框架，通过高效的个性化交易专家训练、多样化专家池构建及动态专家选择机制，实现量化投资策略的显著提升。实证结果表明AlphaMix在美中两大股市的七项财务指标上全面超越十多个先进基线，展现了稳定的盈利能力和风险控制效果，同时显著降低了计算开销，提高了预测信心和决策稳定性[page::0][page::1][page::2][page::6][page::7][page::8]
本报告提出了IMM，一个结合预测表示学习与模仿强化学习的多价位自动做市策略框架。IMM引入了稳定参考价、多价位订单堆叠的状态与动作定义，通过多粒度趋势信号和时空注意力网络提升表示能力，结合基于信号的专家策略加速RL训练。实证结果显示IMM在多个真实期货市场数据上显著优于现有 RL 做市策略，提升风险调整后的收益率并有效降低逆向选择风险 [page::0][page::1][page::3][page::5][page::6]。
本报告提出FreQuant框架，利用离散傅里叶变换（DFT）将资产信号转换至频率域，捕捉主流及突发市场频率，实现自适应的投资组合优化。通过多事件融合网络和频率关系编码器，模型自适应强调关键频率特征，显著提升收益和稳定性，实证结果显示FreQuant可实现最高2.1倍年化收益和2.9倍组合价值优势，优于现有方法[page::0][page::1][page::3][page::6][page::7][page::8]。
本报告提出FinReport，一种基于新闻因子分析的股票收益预测解释模型。模型融合Semantic Role Labeling（SRL）和Semantic Dependency Parsing Graph（SDPG）技术提取新闻语义信息，结合Fama-French五因子模型引入新闻效应因子（News Effect Factor），提升收益预测的准确性和解释力。风险评估模块基于EGARCH模型构建VaR风险指标，辅助风险控制。实验结果显示，FinReport在分类准确率、解释力和实盘回测收益率等方面均优于现有方法，实现收益提升与风险可控的平衡，为普通投资者提供了自动化、专业且可解释的投资报告生成系统。[page::0][page::1][page::2][page::3][page::4][page::5][page::6]
本报告提出了一种基于Llama 2 7B模型，针对金融领域情感分析进行参数高效微调的FinLlama框架。该模型结合生成与判别机制，不仅分类情感极性，还量化情绪强度。通过基于公开金融新闻数据的训练，FinLlama实现了较低的计算资源占用，同时在构建的长短仓投资组合中，相较于传统词典方法和FinBERT模型取得了显著的业绩提升，表现为更高的累计收益和Sharpe比率，以及在市场震荡期的更强稳健性 [page::0][page::1][page::4][page::5][page::6]。
本报告提出了FinDiff，一种基于扩散模型的金融混合类型表格数据生成方法，通过嵌入编码处理类别属性，实现高质量合成数据的生成。实证结果表明FinDiff在数据保真度、隐私保护与实用性方面均优于现有主流模型，兼顾隐私与效用，适用于经济场景模拟、压力测试、异常检测等金融监管领域下游任务。[page::0][page::1][page::5]
本报告提出FINCON，一个基于大语言模型（LLM）的多智能体层级系统，结合经理-分析师架构与双层风险控制机制，通过条件风险价值（CVaR）和概念性语言强化，实现多模态金融信息的高效融合与决策优化。实证结果显示，FINCON在单只股票交易和组合管理任务中，显著提升累积收益与夏普率，且有效控制最大回撤，优于现有LLM及深度强化学习模型，展现出强泛化能力和稳定性 [page::0][page::1][page::4][page::6][page::8][page::9][page::21][page::22]
