2025深度学习发论文&模型涨点之——AI+量化
人工智能的融入，使量化交易实现了质的突破。借助机器学习、深度学习等先进技术，人工智能可高效处理并剖析海量市场数据，挖掘出数据背后错综复杂的模式与趋势，从而不仅提升了数据分析的精准度和效率，更为交易策略的构建提供了多元且深入的支撑。此外，人工智能还具备自我学习与优化的特质，凭借强化学习等手段，能持续微调策略参数，推动策略的自我更新与进化，进而让交易策略更契合市场动态，增强交易的成功概率与收益水平。
我整理了一些AI+量化【论文+代码】合集，需要的同学公人人人号【AI创新工场】自取。
论文精选
论文1：
FinRobot: AI Agent for Equity Research and Valuation with Large Language Models
FinRobot：利用大型语言模型进行股票研究和估值的人工智能代理
方法
多智能体思维链（CoT）系统：构建了一个包含数据-CoT智能体、概念-CoT智能体和论点-CoT智能体的多层CoT框架，分别负责数据处理、概念生成和报告综合。
实时数据管道：整合了SEC文件、企业发布、收益电话会议记录等多源数据，确保数据的准确性和时效性。
定量与定性分析结合：通过概念-CoT智能体模拟人类分析师的推理过程，将定量数据和定性见解相结合，生成深入的财务分析。
创新点
首个股票研究AI代理框架：首次将多智能agent CoT系统应用于股票研究，模拟人类分析师的分析深度和叙事技能，提供全面的公司分析。
实时数据与自由裁量判断结合：通过实时数据管道和准确性、逻辑性、叙事性评估指标，提升了报告质量，准确性和逻辑性得分均达到9分以上，叙事性得分平均为8分。
论文2：
InvestESG: A multi-agent reinforcement learning benchmark for studying climate investment as a social dilemma
InvestESG：用于研究气候投资作为社会困境的多智能体强化学习基准
方法
多智能体强化学习（MARL）基准：设计了一个模拟企业气候投资决策的MARL环境，包括公司和投资者两种智能体。
ESG披露政策模拟：模拟了ESG披露要求对企业气候投资的影响，以及ESG意识投资者如何通过投资决策影响企业行为。
气候风险与经济动态：构建了一个包含气候变化风险和经济动态的模拟环境，公司可以通过投资减缓措施来降低系统性气候风险。
创新点
ESG披露政策影响：实验表明，当投资者具有高度ESG意识时，企业会增加减缓投资，降低气候风险，提高市场财富，最终气候风险降低了20%，市场财富增加了15%。
投资者偏好影响：不同ESG意识水平的投资者会导致企业策略分化，气候友好型公司吸引更多ESG投资，而其他公司则侧重于利润最大化。
漂绿行为影响有限：即使允许漂绿，企业最终仍会放弃漂绿，转而投资减缓措施，以吸引ESG意识投资者，最终气候风险与不允许漂绿时相似。
论文3：
Modality-aware Transformer for Financial Time series Forecasting
用于金融时间序列预测的模态感知Transformer
方法
特征级注意力层：引入特征级注意力层，使模型能够关注每个数据模态中最相关的特征。
模态内多头注意力（Intra-modal MHA）：开发了模态内多头注意力机制，允许模型在每个单独模态中关注最重要的时间步。
模态间多头注意力（Inter-modal MHA）：开发了模态间多头注意力机制，使模型能够发现不同模态之间的交叉相关性。
目标模态多头注意力（Target-modal MHA）：在解码器中引入了目标模态多头注意力机制，使模型能够发现目标时间序列与从两个输入数据模态中学到的模式之间的交互。
创新点
特征级注意力层：通过特征级注意力层，模型能够逐步为最具信息量的文本主题和时间序列指数分配更大的注意力权重，同时对相关性较小的特征给予较少关注。
模态内和模态间多头注意力：通过将特征和时间注意力整合到多头注意力中，使多头注意力能够考虑模态和特征重要性，从而生成更具信息量的嵌入。
目标模态多头注意力：通过特征级注意力融合的目标模态交叉多头注意力，使模型能够发现目标序列与两个输入数据模态之间学到的模式之间的交互，从而改善目标时间序列的解码行为。
性能提升：在FED声明/BeigeBooks和美国利率数据集上的实验结果表明，Modality-aware Transformer显著优于其他最先进的时间序列预测方法。
论文4：
Adaptive and Explainable Margin Trading via Large Language Models on Portfolio Management
通过大型语言模型在投资组合管理中实现自适应和可解释的保证金交易
方法
可解释的市场预测/推理管道：利用大型语言模型（LLMs）从多样化的外部数据源中学习市场趋势，并确定最优调整比例，同时提供清晰的推理路径。
头寸再分配阶段：与预训练的强化学习（RL）模型的顺序交易过程交互，增强决策制定和透明度。
灵活的数据源和模型集成：框架能够容纳从微观经济到宏观经济数据、多种数据类型（包括时间序列和新闻文本）以及多种大型语言模型。
创新点
首个框架：提出了首个将大型语言模型与强化学习集成用于保证金交易中动态多空头寸调整的框架。
灵活性：框架提供了对各种外部数据源、数据类型和多种大型语言模型的灵活性，并提供多角度的解释。
性能提升：与基准相比，该框架在多种市场条件下显著提高了盈利能力和风险平衡能力，累积回报提高了最多3倍，夏普比率提高了2倍。
可解释性：不仅预测市场趋势和调整比例，还提供了透明的推理路径和清晰的解释，为投资组合调整的决策提供了宝贵的见解。
