準(zhǔn)確的金融市場預(yù)測需要多樣化的數(shù)據(jù)源，包括歷史價格趨勢、宏觀經(jīng)濟(jì)指標(biāo)和金融新聞?，F(xiàn)有方法通常獨(dú)立處理這些數(shù)據(jù)，未能有效建模其交互。本文提出了跨模態(tài)時間融合（CMTF）框架，集成異構(gòu)金融數(shù)據(jù)以提高預(yù)測準(zhǔn)確性。實驗表明，CMTF在預(yù)測上優(yōu)于多種基線模型，提升了精度、召回率和F1分?jǐn)?shù)。摘要準(zhǔn)確的金融市場預(yù)測需要多樣化的數(shù)據(jù)源，包括歷史價格趨勢、宏觀經(jīng)濟(jì)指標(biāo)和金融新聞?，F(xiàn)有方法通常獨(dú)立處理這些數(shù)據(jù)，未能有效建模...

大型語言模型（LLMs）在推理能力上的進(jìn)展引發(fā)了對其在復(fù)雜任務(wù)中表現(xiàn)的關(guān)注，尤其是在金融領(lǐng)域。DianJinR1是一個針對金融領(lǐng)域的推理增強(qiáng)框架，通過推理增強(qiáng)監(jiān)督和強(qiáng)化學(xué)習(xí)，提升金融推理任務(wù)的表現(xiàn)。DianJinR1模型在金融測試集（CFLUE、FinQA、CCC）上顯著優(yōu)于基礎(chǔ)模型，尤其在CFLUE和CCC上表現(xiàn)突出，DianJinR132B在CFLUE上準(zhǔn)確率從77.95提升至86.74，CCC上從56.50提升至96.00，超越DeepSeekR1。摘要DianJinR1是一個針對金融領(lǐng)...

“MTBench:AMultimodalTimeSeriesBenchmarkforTemporalReasoningandQuestionAnswering”時間序列與文本數(shù)據(jù)的結(jié)合對理解復(fù)雜現(xiàn)實現(xiàn)象至關(guān)重要，尤其在金融和天氣預(yù)測領(lǐng)域。現(xiàn)有基準(zhǔn)缺乏對時間序列數(shù)據(jù)與文本之間復(fù)雜關(guān)聯(lián)的關(guān)注，未能處理文本與時間序列數(shù)據(jù)矛盾的情況。本文提出MTBench基準(zhǔn)，旨在評估LLMs在金融和天氣領(lǐng)域的多任務(wù)和多模態(tài)推理能力。MTBench通過將時間序列數(shù)據(jù)與相關(guān)文本信息對齊，促進(jìn)跨模態(tài)互動，支持復(fù)雜推...

社會涌現(xiàn)的研究是社會科學(xué)的核心，傳統(tǒng)的基于規(guī)則的代理模型（ABMs）難以捕捉人類行為的復(fù)雜性和多樣性。大型語言模型（LLMs）作為模擬工具，能夠更好地反映認(rèn)知偏差和情感波動，適用于社會科學(xué)和角色扮演應(yīng)用。TwinMarket是一個新穎的多代理框架，利用LLMs模擬股票市場中的投資者行為，強(qiáng)調(diào)微觀行為如何驅(qū)動宏觀市場動態(tài)。TwinMarket采用信念欲望意圖（BDI）框架，提供透明的代理認(rèn)知過程建模，并研究信息傳播和社會影響的動態(tài)...

金融市場復(fù)雜且動態(tài)，受經(jīng)濟(jì)指標(biāo)、地緣政治事件和投資者行為的影響，傳統(tǒng)線性分析方法難以捕捉其非線性特征。傳統(tǒng)統(tǒng)計方法（如CAPM、ARIMA）無法有效利用非結(jié)構(gòu)化數(shù)據(jù)（如新聞、經(jīng)濟(jì)報告）進(jìn)行分析和預(yù)測。本文提出FinArena框架，結(jié)合人機(jī)協(xié)作以改善股票趨勢預(yù)測和個性化投資決策。人模塊通過交互界面捕捉個體風(fēng)險偏好，制定個性化投資策略。機(jī)器模塊利用基于大型語言模型的多代理系統(tǒng)整合多種金融數(shù)據(jù)源。FinArena在股票趨勢預(yù)...

?摘要基于大型語言模型的自主代理在量化投資等專業(yè)領(lǐng)域的應(yīng)用面臨挑戰(zhàn)，尤其是構(gòu)建和整合領(lǐng)域特定知識庫。本文提出一個兩層循環(huán)的框架：內(nèi)層循環(huán)通過知識庫優(yōu)化響應(yīng)，外層循環(huán)在真實場景中測試響應(yīng)并自動增強(qiáng)知識庫。該方法使代理能夠逐步接近最優(yōu)行為，并具備可證明的效率。通過名為QuantAgent的自主代理實例化該框架，展示其在挖掘交易信號和提高金融預(yù)測準(zhǔn)確性方面的能力。簡介大型語言模型（LLMs）推動了自主智能體的發(fā)展...

在金融領(lǐng)域，評估投資績效的關(guān)鍵在于平衡風(fēng)險與回報。Sharpe比率是評估風(fēng)險與回報的重要指標(biāo)，但存在局限性，需開發(fā)更穩(wěn)健的金融績效指標(biāo)。本文提出AlphaSharpe框架，利用大語言模型（LLMs）優(yōu)化金融指標(biāo)，提升風(fēng)險收益評估。通過對美國15年歷史股票數(shù)據(jù)進(jìn)行實驗，AlphaSharpe投資組合在風(fēng)險調(diào)整和回撤調(diào)整表現(xiàn)上優(yōu)于傳統(tǒng)策略，Sharpe比率提高71.04%，Calmar比率提高116.31%。論文地址：https:arxiv.orgpdf2502.00029v2摘要本文...

金融行業(yè)與AI社區(qū)之間存在數(shù)據(jù)和專業(yè)知識的障礙，影響AI在金融任務(wù)中的應(yīng)用。FinRobot是一個開源AI代理平臺，利用多源LLM進(jìn)行多樣化金融任務(wù)，提升透明度和可擴(kuò)展性。論文地址：https:arxiv.orgpdf2405.14767Github地址：https:github.comAI4FinanceFoundationFinRobot摘要金融行業(yè)與AI社區(qū)之間存在數(shù)據(jù)和專業(yè)知識的障礙，影響AI在金融任務(wù)中的應(yīng)用。本文旨在開發(fā)金融專用的LLM工具鏈，推動AI在金融決策中的普及。FinRobot是一...

投資組合優(yōu)化是金融中的核心挑戰(zhàn)，涉及資金在多個資產(chǎn)間的動態(tài)配置，傳統(tǒng)方法存在假設(shè)限制和適應(yīng)性不足的問題。本研究探討深度強(qiáng)化學(xué)習(xí)在投資組合優(yōu)化中的應(yīng)用。結(jié)果表明，深度強(qiáng)化學(xué)習(xí)（DRL）模型在投資組合優(yōu)化中表現(xiàn)優(yōu)異，年化平均回報率為19.56%，夏普比率為1.5550，顯示出卓越的風(fēng)險調(diào)整回報。論文地址：https:arxiv.orgpdf2412.18563摘要人工智能正在改變金融投資決策，深度強(qiáng)化學(xué)習(xí)（DRL）在機(jī)器人顧問服務(wù)中展現(xiàn)出應(yīng)用...

?簡介本文開發(fā)強(qiáng)化學(xué)習(xí)代理以支持投資組合管理和優(yōu)化，結(jié)合股票定價數(shù)據(jù)和替代數(shù)據(jù)（如SEC文件和新聞頭條）。強(qiáng)化學(xué)習(xí)適合在線環(huán)境，能夠?qū)崟r反饋和響應(yīng)，提升決策效果。替代數(shù)據(jù)編碼進(jìn)狀態(tài)矩陣，幫助代理更好地調(diào)整投資組合權(quán)重。強(qiáng)化學(xué)習(xí)模型基于馬爾可夫決策過程，能夠靈活定義不同的獎勵函數(shù)以滿足投資者偏好。主要算法為深度強(qiáng)化學(xué)習(xí)，利用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)最優(yōu)策略，目標(biāo)是最大化未來預(yù)期獎勵。強(qiáng)調(diào)在狀態(tài)空間、獎勵函數(shù)...