量化交易前沿：优秀论文月度汇总(202306)

本文总结了6月份新出现的量化交易论文，有一些是被IJCAI、KDD等机器学习领域的顶级会议录取的。这些论文使用了各种机器学习技术来解决量化交易中的问题，从股票预测到组合优化等多个方面进行了研究。

论文-1：过去十年中解决指数跟踪问题的方法的系统文献综述

标题：A systematic literature review on solution approaches for the index tracking problem in the last decade

主页：https://arxiv.org/abs/2306.01660

作者：Julio Cezar Soares Silva, Adiel Teixeira de Almeida Filho

简介：这篇文章提供了过去十年中解决指数跟踪问题的数学方法的进展分析。系统文献综述涵盖了重要问题，如最相关的研究领域、解决方法和模型结构。特别关注了应用于指数跟踪问题的元启发式方法的探索和分析。

出版：已被IMA Journal of Management Mathematics 接受

论文-2：利用ChatGPT的图推理能力进行股票趋势预测

标题：ChatGPT Informed Graph Neural Network for Stock Movement Prediction

主页：https://arxiv.org/abs/2306.03763

作者：Zihan Chen, Lei Nico Zheng, Cheng Lu, Jialu Yuan, Di Zhu

简介：ChatGPT在各种自然语言处理（NLP）任务中展示了出色的能力。然而，它在从时间文本数据（特别是金融新闻）中推断动态网络结构方面的潜力仍未被开发。在这项研究中，我们引入了一个新颖的框架，利用ChatGPT的图推理能力来增强图神经网络（GNN）。我们的框架可以从文本数据中灵活地提取不断变化的网络结构，并将这些网络结构整合到后续的预测任务中的图神经网络中。股票运动预测的实验结果表明，我们的模型始终优于最先进的基于深度学习的基准模型。此外，基于我们模型输出的投资组合显示出更高的年化累计收益率，同时降低了波动性和最大回撤。这种卓越的性能突显了ChatGPT在基于文本的网络推断方面的潜力，并强调了其对金融行业的有希望的影响。

出版：已被SIGKDD 2023接受

论文-3：通过强化学习生成协同Alpha公式集合

标题：Generating Synergistic Formulaic Alpha Collections via Reinforcement Learning

主页：https://arxiv.org/abs/2306.12964

作者：Shuo Yu, Hongyan Xue, Xiang Ao, Feiyang Pan, Jia He, Dandan Tu, Qing He
简介：在量化交易领域中，将原始历史股票数据转化为市场趋势指示信号是常见的做法。这些信号被称为Alpha因子。以公式形式表示的Alphas更易于解释，因此受到关注风险的从业者的青睐。实际上，一组公式Alphas通常一起使用以获得更好的建模精度，因此我们需要找到能够良好协同的公式Alpha集合。然而，大多数传统的Alpha生成器单独逐个挖掘Alpha，忽略了后续需要将Alphas组合的事实。在本文中，我们提出了一个新的Alpha挖掘框架，优先挖掘协同的Alpha集合，即直接使用下游组合模型的性能来优化Alpha生成器。我们的框架还利用强化学习的强大探索能力，以更好地探索公式Alpha的广泛搜索空间。对组合模型性能的贡献被分配为在强化学习过程中使用的回报，推动Alpha生成器找到更好的Alphas来改进当前的集合。在真实股票市场数据上进行的实验评估证明了我们的框架对于股票趋势预测的有效性和效率。投资模拟结果表明，与以前的方法相比，我们的框架能够实现更高的回报。

出版：已被KDD2023接受

论文-4：HireVAE：一种基于分层和转换VAE的在线自适应因子模型

标题：HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and Regime-Switch VAE

主页：https://arxiv.org/abs/2306.03763

作者：Zikai Wei, Anyi Rao, Bo Dai, Dahua Lin

简介：因子模型是量化投资中的一种基本工具，可以通过深度学习使其在实际复杂的投资情况下变得更加灵活和高效。然而，构建一种能够在在线和自适应环境中进行股票预测的因子模型仍然是一个开放的问题，其中模型可以根据基于时点市场信息识别的当前市场环境自适应地进行调整。为了解决这个问题，我们提出了第一个基于深度学习的在线自适应因子模型HireVAE，其核心是一个分层潜在空间，嵌入了市场情况和股票潜在因子之间的基本关系，因此HireVAE可以在仅给出历史市场信息的情况下有效地估计有用的潜在因子，并随后预测准确的股票收益。在四个常用的实际股票市场基准中，所提出的HireVAE在积极回报方面表现出优越的性能，验证了这种在线自适应因子模型的潜力。

出版：已被IJCAI 2023接受

论文-5：FinGPT：开源金融大型语言模型

标题：FinGPT: Open-Source Financial Large Language Models

主页：https://arxiv.org/abs/2306.06031

作者：Hongyang Yang, Xiao-Yang Liu, Christina Dan Wang

简介：大型语言模型（LLMs）展示了在不同领域中革命性改变自然语言处理任务的潜力，引发了金融领域的极大兴趣。对于金融LLMs（FinLLMs），获取高质量的金融数据是首要挑战。虽然像BloombergGPT这样的专有模型利用其独特的数据积累取得了优势，但这种特权访问需要一个开源替代方案，以使互联网规模的金融数据民主化。在本文中，我们提出了一个面向金融行业的开源大型语言模型FinGPT。与专有模型不同，FinGPT采用数据为中心的方法，为研究人员和从业者提供可访问和透明的资源，以开发他们的FinLLMs。我们强调了自动数据筛选流程和轻量级低秩适应技术在构建FinGPT中的重要性。此外，我们展示了作为用户的过渡应用程序的几个潜在应用，如智能投顾、算法交易和低代码开发。通过开源AI4Finance社区的协作努力，FinGPT旨在促进创新，民主化FinLLMs，并在开放金融领域开启新机遇。

论文-6：DoubleAdapt: 一种元学习方法的增量学习应用于股票趋势预测

标题：DoubleAdapt: A Meta-learning Approach to Incremental Learning for Stock Trend Forecasting

主页：https://arxiv.org/abs/2306.09862

作者：Lifan Zhao, Shuming Kong, Yanyan Shen

简介：本文提出了一种名为DoubleAdapt的端到端框架，用于股票趋势预测中的增量学习。该框架包括两个适配器，用于适应数据和模型，以减轻分布漂移的影响，这是该领域中增量更新有效性受到限制的挑战。作者使用元学习来优化适配器以实现理想的数据适应和参数初始化。对真实股票数据集的实验表明，DoubleAdapt实现了最先进的预测性能，并显示出相当的效率。
出版：已被KDD2023接受

论文-7：结合强化学习和障碍函数的自适应风险管理组合优化

标题：Combining Reinforcement Learning and Barrier Functions for Adaptive Risk Management in Portfolio Optimization

主页：https://arxiv.org/abs/2306.07013

作者：Zhenglong Li, Hejun Huang, Vincent Tam

简介：近年来，基于强化学习（RL）的投资策略在投资组合管理（PM）中得到广泛采用。然而，大多数基于RL的方法往往更加注重追求回报，而忽视了潜在交易策略的风险，尤其是在高市场波动性下可能导致巨大损失的情况。因此，提出了一种风险可管理的PM投资框架，将RL和障碍函数（BF）相结合，以在PM应用中平衡对高回报和可接受风险敞口的需求。据我们了解，这项工作代表了将BF和RL结合应用于金融领域的首次尝试。虽然涉及的RL方法可能会积极搜索更有利可图的交易策略，但基于障碍函数的风险控制器将不断监测市场状态，以动态调整投资组合，作为避免潜在损失的可控措施，特别是在下行趋势市场中。此外，提供了两种自适应机制，可以动态调整风险控制器的影响，使得所提出的框架能够灵活适应上升趋势和下降趋势市场。我们提出的框架在真实数据集上对比了大多数知名RL方法的实证结果，清楚地展示了其优势。更重要的是，我们提出的框架为未来研究指明了许多可能的方向。

论文-8：通过降维和稀疏化高效解决投资组合优化问题

标题：Efficient Solution of Portfolio Optimization Problems via Dimension Reduction and Sparsification

主页：https://arxiv.org/abs/2306.12639

作者：Cassidy K. Buhler, Hande Y. Benson

简介：Markowitz的均值-方差投资组合优化模型旨在在投资时平衡预期收益和风险。然而，在有效地解决大型投资组合优化问题时，存在一个重要限制：大而密集的协方差矩阵。由于投资组合的表现可能通过考虑更广泛的投资范围而得到改善，因此在通常为毫秒级别的时间内高效地解决大型投资组合优化问题是必要的。我们提出了通过降维和增加稀疏性来解决协方差矩阵的问题。尺寸缩小基于机器学习技术的预测和线性规划问题的解。我们发现，使用线性规划公式中的有效边界要比使用神经网络的预测更好地预测Markowitz有效边界上的资产。基于这些预测减少协方差矩阵可以降低运行时间和总迭代次数。我们还提出了一种技术来使协方差矩阵稀疏化，以保持正半定性，从而提高每次迭代的运行时间。我们讨论的方法都实现了与从完整密集协方差矩阵中获得的类似的投资组合预期风险和收益，但具有更好的优化器性能。