高頻金融市場建模困難，因價格由眾多市場參與者的互動內生產生，且參與者常有有限理性和不完全信息。本文提出了JaxMARLHFT，這是首個針對高頻交易（HFT）在限價訂單簿（LOB）上進行多智能體強化學習（MARL）的GPU環境。利用JAX的并行化能力，JaxMARLHFT實現了高達240倍的訓練時間縮短，支持大規模實驗和超參數調優。實驗表明，與現有實現相比，吞吐量提高了240倍，支持更大模型和數據集及更廣泛的超參數搜索。摘要JaxMARLHFT是...

大型語言模型（LLMs）在推理、工具使用和決策方面表現出色，但金融領域的研究仍然不足。現有金融基準主要測試靜態知識，未能反映交易的動態和迭代特性。本文提出STOCKBENCH基準，旨在評估LLM在真實股票交易環境中的盈利能力和風險管理能力。評估結果顯示，大多數LLM智能體未能超越簡單的買入持有基準，表明靜態問答能力與動態市場交易策略之間存在差距。摘要大型語言模型（LLMs）在推理、工具使用和決策方面表現出色，但金融領...

深度學習在股市預測中面臨挑戰，因市場波動性大且信號噪聲比低。本文提出一種兩階段框架用于金融時間序列的模式基礎方向預測。結合SIMPC（基于DTW的無監督聚類方法）和JISCNet（基于形狀的分類器）。SIMPC發現多變量模式，適應動態窗口、幅度縮放和時間扭曲。JISCNet利用部分輸入序列進行可解釋預測。在四種金融資產上的實證評估顯示，該方法在方向準確性和交易表現上顯著優于競爭基線。該框架通過聚焦于與經驗提取模式結構對齊...

技術分析認為歷史價格數據是市場狀況的直接反映。價格變動反映公司基本面、宏觀事件、機構流動和市場情緒。大型語言模型（LLMs）在多步推理、工具使用、代碼合成和可解釋性方面表現出色，適合量化金融。本文提出QuantAgent，首個針對高頻算法交易的多智能體LLM框架，QuantAgent在十種金融工具（如比特幣和納斯達克期貨）的零樣本評估中，預測準確性優于隨機預測基線，為高頻金融市場的實時決策系統開辟了新潛力。摘要近期大型語...

高波動市場吸引了全球投資者，涉及超過40萬億美元的市值，交易者可利用跨式期權應對市場波動。深度強化學習在量化交易中取得成功，但高波動市場的特性限制了價格預測的準確性，可能導致極端損失。本文提出基于強化學習和注意力機制的自動化跨式期權交易方法，適應高波動市場的不確定性。在中國股市、布倫特原油和比特幣市場的實驗中，注意力機制的TransformerDDQN模型在最大回撤方面表現最佳，平均收益率超出其他模型92.5%。摘...

金融時間序列預測對經濟穩定、投資決策和風險管理至關重要，能夠有效配置資本、減少市場沖擊風險。預測面臨挑戰包括金融時間序列非平穩，受經濟變化、投資者行為、政策干預等影響，導致分布隨時間變化。本文提出FinCast，首個專為金融時間序列預測設計的基礎模型，基于大規模金融數據集訓練。FinCast展現出強大的零樣本性能，能夠捕捉多樣化模式，無需領域特定微調。結果顯示，FinCast在零樣本和監督金融預測基準上均優于現有方...

金融AI在市場分析、交易策略和投資決策中取得顯著進展，但現有平臺存在碎片化和集成困難。FinWorld是一個開源平臺，提供從數據獲取到實驗和部署的全流程支持。FinWorld的特點包括異構金融數據的原生集成、對多種AI范式的統一支持和高級代理自動化。在四個金融AI任務（時間序列預測、算法交易、投資組合管理和大語言模型應用）實證結果表明，FinWorld顯著提高了可重復性，支持透明基準測試，并簡化了部署，為未來研究和實際應用...

《破解“看圖”之謎：技術分析算法、框架與實戰》是中泰證券于2021年8月發布的一份金融工程報告，旨在以科學方法系統化、自動化地識別技術圖形，并驗證其在實際市場中的有效性。研報簡讀一、研究背景與意義技術分析長期被視為主觀性強、缺乏統一標準的分析方法。報告指出，其不被廣泛接受的主要原因有二：一是缺乏固定算法，導致不同分析者對同一圖表解讀不一；二是多數文獻未系統論證技術分析適用的市場環境與實踐效果。為此，...

金融行業對大型語言模型（LLMs）提出了獨特挑戰，現有模型在復雜金融問題上表現不足。本文提出FinTeam，一個金融多智能體協作系統，包含文檔分析師、分析師、會計師和顧問四個LLM代理。人工評估顯示，FinTeam生成的財務報告接受率為62.00%，優于基線模型GPT4o和Xuanyuan。FinTeam的代理在FinCUGE上平均提升7.43%，在FinEval上提升2.06%準確率。摘要本文提出FinTeam，一個金融多智能體協作系統，包含文檔分析師、分析師、會計師...

?“MultiFinRAG:AnOptimizedMultimodalRetrievalAugmentedGeneration(RAG)FrameworkforFinancialQuestionAnswering”現代金融文件通常超過100頁，包含復雜的文本、表格和圖形，準確的問答（QA）對分析師和自動化金融代理至關重要。然而，現有問答方法面臨文檔長度超出LLM的令牌限制、API成本高、混合格式使得表格和圖形的關系在轉為文本時喪失等挑戰。MultiFinRAG是一個專為金融問答設計的檢索增強生成框架，解決傳統大語言模...

?“YourTokenBecomesWorthless:UnveilingRugPullSchemesinCryptoTokenviaCodeandTransactionFusionAnalysis”區塊鏈技術推動了金融領域的變革，促進了去中心化金融（DeFi）應用的發展，但也帶來了安全挑戰，尤其是“RugPull”詐騙，2024年損失達8540萬美元。RugPull是一種詐騙手法，詐騙者通過吸引投資者購買代幣，隨后撤走資金，導致投資者手中代幣變得毫無價值。本研究收集了645個真實RugPull案例，構建了最大的手動分析數據...

大型語言模型（LLMs）在金融、醫療、法律、教育和科學發現等領域表現出色，但在專業金融任務中仍存在性能不足。本文提出FinLoRA基準，評估不同LoRA變體在復雜金融任務中的表現。創建19個金融數據集，包括4個新XBRL分析數據集，支持LoRA方法的評估。實施并比較五種LoRA方法，平均提高36%準確率，驗證低秩適應和量化的有效性。摘要FinLoRA項目基于LoRA方法，評估其在金融領域的應用，特別是CFA考試和SEC文件分析。研究中使用了19...

金融大語言模型（FinLLMs）在金融服務的某些領域顯示出巨大的潛力。多模態金融基礎模型（MFFMs）可以理解多模態金融數據，包括基礎數據、市場數據、數據分析、宏觀經濟和替代數據（例如，自然語言、音頻、圖像和視頻）。本文在MFFMWorkshop上介紹了多模態金融基礎模型（MFFMs）的進展、前景和挑戰，強調了哥倫比亞大學SecureFinAI實驗室的FinAgents研究。列出了多模態金融數據和數據中心方法，描述了多模態金融應用，展望AI代理...

“FlowHFT:FlowPolicyInducedOptimalHighFrequencyTradingunderDiverseMarketConditions”市場做市（MM）是一種通過同時下買賣單來從買賣差價中獲利的交易策略，提供流動性并提高市場效率。高頻交易（HFT）是市場做市的一種形式，以毫秒或微秒的速度執行訂單，利用小幅價格變動獲利。傳統HFT策略（如AS模型和GLFT模型）依賴歷史市場數據進行參數校準，但在市場條件變化時效果受限，容易導致次優表現。本文提出FlowHFT框架，基于...

金融市場是高維非線性動態系統，具有重尾、時變波動和復雜的橫截面依賴性，導致預測難度增加。金融市場的資產回報預測面臨高維度、非平穩性和持續波動性等挑戰?，F有的定量研究流程自動化程度低、可解釋性弱、各關鍵組件協調性差。本文提出RDAgent(Q)，一個數據驅動的多代理框架，旨在自動化量化策略的研發。RDAgent(Q)實現端到端自動化，增強可解釋性，降低幻覺風險。RDAgent(Q)在研究階段通過結構化知識森林模擬分析師工作流...

一、規則引擎為何成為復雜業務的剛需？在電商訂單處理、金融風控、物流調度等場景中，業務規則常呈現動態性、復雜性、高頻變更的特征。傳統硬編碼開發模式面臨兩大痛點：代碼臃腫：分支邏輯嵌套導致代碼可讀性差，維護成本指數級增長；變更低效：修改規則需重新發布系統，無法實現熱更新，影響業務連續性。LiteFlow作為輕量級規則引擎，通過組件化拆分+可視化編排，支持動態調整流程順序、并行異步執行、熱部署等特性，成為解決...

準確的金融市場預測需要多樣化的數據源，包括歷史價格趨勢、宏觀經濟指標和金融新聞?，F有方法通常獨立處理這些數據，未能有效建模其交互。本文提出了跨模態時間融合（CMTF）框架，集成異構金融數據以提高預測準確性。實驗表明，CMTF在預測上優于多種基線模型，提升了精度、召回率和F1分數。摘要準確的金融市場預測需要多樣化的數據源，包括歷史價格趨勢、宏觀經濟指標和金融新聞?，F有方法通常獨立處理這些數據，未能有效建模...

大型語言模型（LLMs）在推理能力上的進展引發了對其在復雜任務中表現的關注，尤其是在金融領域。DianJinR1是一個針對金融領域的推理增強框架，通過推理增強監督和強化學習，提升金融推理任務的表現。DianJinR1模型在金融測試集（CFLUE、FinQA、CCC）上顯著優于基礎模型，尤其在CFLUE和CCC上表現突出，DianJinR132B在CFLUE上準確率從77.95提升至86.74，CCC上從56.50提升至96.00，超越DeepSeekR1。摘要DianJinR1是一個針對金融領...

“MTBench:AMultimodalTimeSeriesBenchmarkforTemporalReasoningandQuestionAnswering”時間序列與文本數據的結合對理解復雜現實現象至關重要，尤其在金融和天氣預測領域。現有基準缺乏對時間序列數據與文本之間復雜關聯的關注，未能處理文本與時間序列數據矛盾的情況。本文提出MTBench基準，旨在評估LLMs在金融和天氣領域的多任務和多模態推理能力。MTBench通過將時間序列數據與相關文本信息對齊，促進跨模態互動，支持復雜推...

社會涌現的研究是社會科學的核心，傳統的基于規則的代理模型（ABMs）難以捕捉人類行為的復雜性和多樣性。大型語言模型（LLMs）作為模擬工具，能夠更好地反映認知偏差和情感波動，適用于社會科學和角色扮演應用。TwinMarket是一個新穎的多代理框架，利用LLMs模擬股票市場中的投資者行為，強調微觀行為如何驅動宏觀市場動態。TwinMarket采用信念欲望意圖（BDI）框架，提供透明的代理認知過程建模，并研究信息傳播和社會影響的動態...