写在前面
AAAI 2023将于2023年2月7日至2月14日在美国华盛顿举办。本次会议共收到8777篇投稿，共接收1721篇论文，录用率为19.6%。本文介绍了AAAI 2023中收录的几篇量化交易相关的论文。
论文标题：
Financial Time Series Forecasting using CNN and Transformer
作者单位：
JP摩根AI research
论文链接：
https://arxiv.org/pdf/2304.04912.pdf
研究内容：
时间序列预测在各个领域都对决策制定非常重要。而像股票价格这样的财务时间序列难以预测，因为很难模拟数据点之间的短期和长期时间依赖关系。卷积神经网络（CNN）擅长捕获局部模式，用于模拟短期依赖关系。然而，由于接受范围有限，CNN无法学习长期依赖。另一方面，Transformer能够学习全局上下文和长期依赖关系。在本文中，作者提出利用CNN和Transformer的优势，同时模拟时间序列中的短期和长期依赖关系，并预测未来的价格是上涨、下跌还是保持不变（平稳）。在实验中，作者展示了所提方法在预测S&P 500成分股的日内股价变动方面与常用的统计和深度学习方法相比的成功。
模型框架
实验结果（趋势分类）
论文标题：
PEN: Prediction-Explanation Network to Forecast Stock Price Movement with Better Explainability
作者单位：
中国人民大学高瓴人工智能学院
论文链接：
https://ojs.aaai.org/index.php/AAAI/article/view/25648/25420
研究内容：
如今，在银行、对冲基金和资产管理公司中，由于审计或监管原因，股价变动预测的解释性正受到越来越多的关注。文本数据，如财经新闻和社交媒体帖子，可能是股价变动的部分原因。为此，作者提出了一个新颖的预测-解释网络（PEN）框架，该框架联合建模文本流和价格流并进行对齐。PEN模型的关键组件是一个共享的表示学习模块，通过模拟文本数据和股价数据之间的互动，使用一个突出的向量描述它们的相关性，从而学习哪些文本可能与股价变动相关。这样，PEN模型能够通过识别和利用丰富的信息来预测股价的走势，而另一方面，所选的文本信息也解释了股价的变动。在真实世界的数据集上的实验表明能够一举两得：就准确性而言，所提出的PEN模型胜过了基准模型；在解释性方面，PEN模型被证明远胜于注意力机制，能够非常自信地挑选出关键文本。
模型框架
实验结果（分类准确性，马修斯相关系数）
论文标题：
Optimal Execution via Multi-Objective Multi-Armed Bandits
作者单位：
伦敦大学学院
论文链接：
https://ojs.aaai.org/index.php/AAAI/article/download/26945/26717
研究内容：
当尝试清算某一特定股票的大量持仓时，该股票的价格很可能会受到交易的影响，从而导致如果我们一次性出售全部持仓，预期的回报可能会降低。这引发了优化执行的问题，其目的是在一段时间内将销售订单拆分为几个较小的销售订单，以便在股价与市场风险之间达到最优的平衡。这个问题可以用差分方程来定义。在这里，文中作者展示了如何将其重新定义为一个多目标问题，然后使用一种新颖的多臂老虎机算法（Multi-Armed Bandit Algorithm）来解决它。
算法流程
论文标题：
Sequential Graph Attention Learning for Predicting Dynamic Stock Trends
作者单位：
台北国立大学
论文链接：
https://arxiv.org/pdf/2301.10153
研究内容：
股票市场的特点是公司与市场之间的复杂关系。这项研究结合了顺序图结构与注意力机制，以学习时间序列内的全局和局部信息。具体地说，作者提出的“GAT-AGNN”模块比较了在多个行业以及单一行业内的模型性能。结果显示，在台湾股票数据集上，所提出的框架在预测多个行业的股票趋势上超越了多种基准方法。
模型框架
实验结果（分类和回归表现）
往期推荐阅读
解读：ChatGPT在股票市场预测方面的应用
【python量化】基于backtrader的深度学习模型量化回测框架
【python量化】将Transformer模型用于股票价格预测
【python量化】搭建一个CNN-LSTM模型用于股票价格预测
《人工智能量化实验室》知识星球
加入人工智能量化实验室知识星球，您可以获得：（1）定期推送最新人工智能量化应用相关的研究成果，包括高水平期刊论文以及券商优质金融工程研究报告，便于您随时随地了解最新前沿知识；（2）公众号历史文章Python项目完整源码；（3）优质Python、机器学习、量化交易相关电子书PDF；（4）优质量化交易资料、项目代码分享；（5）跟星友一起交流，结交志同道合朋友。（6）向博主发起提问，答疑解惑。
