escribir delante
La Conferencia Internacional ACM SIGKDD (KDD para abreviar) es la conferencia anual más importante en el campo de la investigación de minería de datos organizada por el Comité de Descubrimiento de Conocimiento y Minería de Datos de ACM y es una conferencia CCF Clase A. KDD 2023 es la 29ª Conferencia Internacional de Minería de Datos, que se llevará a cabo en Long Beach, California, EE. UU. del 6 al 10 de agosto de 2023. La tasa de aceptación general para KDD 2022 es del 18,3%. Este artículo presenta varios documentos cuantitativos relacionados con el comercio incluidos en KDD 2023.
Título del trabajo:
Dominar los mercados de valores con una combinación eficiente de productos diversificados
Expertos en comercio
Afiliación del autor:
Universidad Tecnológica de Nanyang
Enlace del artículo:
https://personal.ntu.edu.sg/boan/papers/KDD23_Stock.pdf
contenido de la investigación:
La inversión bursátil cuantitativa es una tarea financiera básica que depende en gran medida de predicciones precisas de las condiciones del mercado y de la toma de decisiones de inversión rentables. Aunque los avances recientes en aprendizaje profundo (DL) han mostrado un excelente rendimiento en la captura de oportunidades de negociación estocástica en el mercado de valores, el rendimiento de los métodos de DL existentes es sensible e inestable a la inicialización de la red y la selección de hiperparámetros. Una limitación importante del trabajo existente es que las decisiones de inversión se toman basándose en un modelo de predicción de red neuronal única con alta incertidumbre , lo que es inconsistente con el flujo de trabajo de las empresas comerciales reales. Para abordar esta limitación, los autores proponen AlphaMix, un novedoso marco de combinación de expertos (MoE) de tres etapas para la inversión cuantitativa para simular el eficiente flujo de trabajo de diseño de estrategias comerciales jerárquicas ascendentes de empresas comerciales exitosas. En la primera etapa , los autores introducen un método de aprendizaje conjunto eficiente con costos computacionales y de memoria significativamente más bajos en comparación con los métodos conjuntos tradicionales para capacitar a múltiples grupos de expertos comerciales con comprensión del mercado y estilos comerciales personalizados. En la segunda etapa , al establecer un grupo de expertos comerciales, se recopilan recomendaciones de inversión diversificadas utilizando el nivel de hiperparámetro y la diversidad del nivel de inicialización de la red neuronal para la construcción de conjuntos post-hoc. En la tercera etapa , se diseñan tres mecanismos diferentes, a saber, un adaptador según sea necesario, una selección con reemplazo y un grupo de expertos integrado, para seleccionar dinámicamente expertos del grupo de expertos para que asuman la responsabilidad de los administradores de cartera. A través de extensos experimentos en los mercados bursátiles de EE. UU. y China, se ha demostrado que AlphaMix supera significativamente a muchos modelos de referencia de última generación en 7 indicadores financieros populares.
marco modelo
Resultados experimentales
Título del trabajo:
Generación de colecciones alfa formulaicas sinérgicas mediante aprendizaje por refuerzo
Afiliación del autor:
Universidad de la Academia de Ciencias de China, Huawei
Enlace del artículo:
https://arxiv.org/pdf/2306.12964.pdf
Enlace de código:
https://github.com/RL-MLDM/alphagen/
contenido de la investigación:
En el ámbito del trading cuantitativo, es una práctica común convertir los datos históricos brutos de las acciones en indicadores de las tendencias del mercado, señales que se denominan factores alfa. Alfa expresado en forma de fórmula es más interpretable y, por tanto, preferido por los profesionales preocupados por el riesgo. En la práctica, a menudo se utiliza un conjunto de alfas formulados juntos para obtener una mayor precisión del modelado, por lo que necesitamos encontrar conjuntos de alfas formulados que funcionen bien juntos. Sin embargo, la mayoría de los generadores alfa tradicionales extraen los alfa individualmente, ignorando el hecho de que luego se combinan . En este artículo, los autores proponen un nuevo marco de minería alfa que extrae preferentemente conjuntos alfa colaborativos, es decir, utiliza directamente el rendimiento de los modelos combinados posteriores para optimizar el generador alfa. El marco propuesto también aprovecha las poderosas capacidades de exploración del aprendizaje por refuerzo (RL) para explorar mejor el vasto espacio de búsqueda de la formulación alfa . La contribución al rendimiento del modelo combinado se especifica como un retorno utilizado en el proceso RL, lo que impulsa al generador alfa a encontrar mejores alfas que mejoren el conjunto actual. La evaluación experimental de datos del mercado de valores del mundo real muestra la efectividad y eficiencia del marco propuesto en la predicción de la tendencia de las acciones. Los resultados de la simulación de inversiones muestran que el marco propuesto es capaz de lograr mayores rendimientos que los enfoques anteriores.
marco modelo
Curva de rendimiento de backtesting
Título del trabajo:
Aprendizaje de la comunicación consciente de la intención de múltiples agentes para una ejecución óptima de múltiples órdenes en finanzas
Afiliación del autor:
Universidad Jiao Tong de Shanghai, Microsoft Research Asia
Enlace del artículo:
https://arxiv.org/pdf/2307.03119.pdf
contenido de la investigación:
La ejecución de órdenes es una tarea básica en las finanzas cuantitativas, cuyo objetivo es completar la compra o liquidación de una serie de órdenes comerciales para un activo específico. Los avances recientes en el aprendizaje por refuerzo (RL) sin modelos proporcionan una solución basada en datos al problema de ejecución de órdenes. Sin embargo, el trabajo existente siempre optimiza la ejecución de una sola orden e ignora la situación real de que se ejecuten varias órdenes simultáneamente, lo que genera suboptimidad y sesgo . En este artículo, los autores proponen primero un método RL multiagente (MARL) para la ejecución de múltiples órdenes considerando restricciones prácticas . Específicamente, considere a cada agente como un operador independiente para negociar una orden específica mientras mantiene comunicación y colaboración entre sí para maximizar las ganancias generales. Sin embargo, los algoritmos MARL existentes suelen lograr la comunicación entre agentes intercambiando sólo una parte de su información de observación, lo que resulta ineficiente en mercados financieros complejos. Para mejorar la colaboración, los autores proponen un protocolo de comunicación de múltiples rondas que se puede aprender y que permite a los agentes comunicar las acciones esperadas y optimizarlas en consecuencia. Se optimiza mediante un método novedoso de atribución de valor de acción que puede resultar coherente con el objetivo de aprendizaje original, pero más eficiente. Los resultados experimentales con dos datos de mercado reales muestran que el método propuesto logra una colaboración significativamente mejor y un rendimiento superior.
marco modelo
Título del trabajo:
DoubleAdapt: un enfoque de metaaprendizaje para el aprendizaje incremental para la previsión de tendencias bursátiles
Afiliación del autor:
Universidad Jiaotong de Shanghái
Enlace del artículo:
https://arxiv.org/pdf/2306.09862.pdf
Enlace de código:
https://github.com/SJTU-Quant/qlib
contenido de la investigación:
La predicción de la tendencia de las acciones es una tarea básica de la inversión cuantitativa, en la que la predicción precisa de las tendencias de los precios es esencial. Como servicio en línea, los datos bursátiles siguen llegando con el tiempo. Es práctico y eficiente actualizar los modelos de pronóstico con los últimos incrementos de datos que pueden revelar algunos patrones nuevos que se repetirán en el mercado de valores en el futuro. Sin embargo, el aprendizaje incremental para la predicción de la tendencia de las acciones sigue estando poco estudiado debido al desafío del cambio de distribución (también conocido como deriva del concepto) . A medida que el mercado de valores se desarrolla dinámicamente, la distribución de los datos futuros puede diferir leve o sustancialmente de los datos incrementales, lo que obstaculiza la eficacia de las actualizaciones incrementales. Para abordar este desafío, los autores proponen DoubleAdapt, un marco de un extremo a otro con dos adaptadores que pueden adaptar datos y modelos de manera eficiente para mitigar el impacto de los cambios de distribución. La idea clave de los autores es aprender automáticamente cómo adaptar los datos bursátiles a una distribución estática local que favorezca las actualizaciones de ganancias . A través de la adaptación de datos, los parámetros del modelo se pueden adaptar con confianza y se mitiga el cambio de distribución. Los autores tratan cada tarea de aprendizaje incremental como una tarea de metaaprendizaje y optimizan automáticamente el adaptador para lograr una adaptación de datos e inicialización de parámetros ideales. Los experimentos con conjuntos de datos de acciones del mundo real muestran que DoubleAdapt logra un rendimiento de predicción de última generación y muestra una eficiencia considerable.
marco modelo
Rendimiento de prueba retrospectiva
"Laboratorio Cuantitativo de Inteligencia Artificial" Knowledge Planet
Al unirse al Knowledge Planet del Laboratorio Cuantitativo de Inteligencia Artificial, puede obtener: (1) Impulso regular de los últimos resultados de investigación relacionados con la aplicación cuantitativa de la inteligencia artificial, incluidos artículos de revistas de alto nivel e informes de investigación de ingeniería financiera de alta calidad de compañías de valores, para que pueda comprender los últimos conocimientos de vanguardia en cualquier momento y en cualquier lugar; (2) El código fuente completo del proyecto Python en los artículos históricos de la cuenta oficial; (3) Python de alta calidad, aprendizaje automático y comercio cuantitativo libros electrónicos relacionados en PDF; (4) información comercial cuantitativa de alta calidad y código de proyecto compartido; (5) comunicarse y hacerse amigo de amigos estrella Amigos de ideas afines. (6) Haga preguntas a los blogueros y responda preguntas.
