★ 3
Jump Trading 用 ChatGPT 扩展量化研究
量化交易公司 Jump Trading 采用 OpenAI 的 ChatGPT 来扩展其量化研究工作。其做法是将多个数据源与人工审核结合，运行更长时间的 AI 工作流。这体现了大模型在金融量化研究场景中的企业级落地趋势。
OpenAI27 天前
#量化交易
共 11 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
META：面向金融决策的情景记忆多智能体框架
论文提出 META（记忆增强交易智能体），是首个类 RAG 的情景记忆增强多智能体金融决策框架。它将趋势、MACD、RSI 等指标智能体与融合报告的决策智能体结合，并用记忆模块检索和更新以市场状态嵌入编码的历史交易情景。通过回忆相似市场环境下的经验并自适应重加权信号，META 在短周期评估中提升了…
arXiv cs.AI38 天前
★ 3
研究揭示对抗信号如何在多智能体交易系统中扩散
研究考察基于LLM的多智能体交易系统对黑盒输入攻击的脆弱性，攻击仅通过合规社交媒体信息流注入。作者提出GMATS框架与传染度量，追踪对抗内容在分析师与协调层间的信念偏移。实验显示简单输入攻击即可显著降低夏普比率，而合理设计的多智能体拓扑与协调提示可缓冲冲击、提升鲁棒性。
arXiv cs.AI45 天前
★ 3
ViperQ：用拍卖市场理论做订单流模式识别的强化学习交易系统
研究提出ViperQ强化学习交易系统，其状态表示显式构建自拍卖市场理论原语（成交量控制点、价值区位置、低成交量节点、累计成交量差背离等），组成20维向量。采用前景理论非对称奖励训练PPO智能体，在未见过的机构tick数据上实现TSLA +163.6%、NVDA +116.5% ROI（零杠杆）。
arXiv cs.AI48 天前
★ 2
研究提出融合金融情境的 Actor-Critic 深度强化学习交易策略
论文针对传统价格指标难以捕捉社会情绪、政治动荡与经济突变的问题，提出部分与深度注入情感分析的深度强化学习交易方法，对比 A2C、PPO 与 DDPG、TD3、SAC 等策略设计。结果显示结合 Q 学习的策略优化类智能体在深度注入情感后，收益最大化与风险规避表现均显著提升。
arXiv cs.AI7 天前
★ 2
LLM 与强化学习投资组合：过滤旧新闻收益更高
论文研究金融新闻时效性对投资组合的影响，比较保留时效信息与过滤旧新闻两种处理方式，使用固定 LLM 从 SEC 披露中提取信号，并对比强化学习策略与 LLM 直接选股。2023-2025 回测显示 RL 未从时效信息中稳定获益，而 LLM 过滤旧新闻在延迟四周时年化净收益达 18.43%，超过所有…
arXiv cs.LG10 天前
★ 2
深度强化学习股票交易基准测试
论文对A2C、PPO、DDPG、TD3、SAC五种actor-critic深度强化学习方法在20只标普500大盘股上进行基准测试，并与监督式价格预测基线对比。DDPG年化收益最高达55.5%、夏普比率1.38，但市场beta也最高；TD3与SAC风险收益更均衡。前向重训练改善A2C、PPO、SAC…
arXiv cs.LG34 天前
★ 2
ResNLS：改进的股价预测混合模型
论文提出 ResNLS 混合模型，结合 ResNet 特征提取与 LSTM 时序分析，强调相邻股价之间的依赖关系。实验显示使用前 5 个交易日收盘价输入时效果最佳，较现有最优基线提升至少 20%。回测表明该策略可在下跌行情中减少亏损、上涨行情中获利。
arXiv cs.AI42 天前
★ 1
★ 1
混合强化学习交易系统融合金融情绪信号
论文提出融合日内市场数据与基于 Transformer 的金融情绪信号的混合强化学习交易框架，从财经新闻中提取情绪动态与语义事件簇并输入 PPO 交易智能体。在印度 NSE 日内数据上，风险调整后收益优于仅用价格的基线。
arXiv cs.LG19 天前
★ 1