量化投資與機器學習微信公眾號，是業內垂直于量化投資、對沖基金、Fintech、人工智能、大資料等領域的主流自媒體，公眾號擁有來自公募、私募、券商、期貨、銀行、保險、高校等行業20W+關注者，連續2年被騰訊云+社區評選為“年度最佳作者”，

前言

AAAI 的英文全稱是 Association for the Advance of Artificial Intelligence，美國人工智能協會，該協會是人工智能領域的主要學術組織之一，其主辦的年會也是人工智能領域的國際頂級會議，在中國計算機學會的國際學識訓議排名以及清華大學新發布的計算機科學推薦學識訓議和期刊串列中，AAAI 均被列為人工智能領域的 A 類頂級會議，

作為全球人工智能頂會之一，雖然受到疫情影響，但 AAAI 2021 的熱度仍然不減，本屆會議一共收到了 9034 篇的提交論文，其中，來自中國的 3319 篇論文數量幾乎是美國（1822 篇）的兩倍，在最終 7911 篇經過評審的論文中，共有 1692 篇被接收，

在這1692篇被接收的論文中，有8篇與量化投資相關，公眾號注意到其中大部分論文的作者來自國內高校：有西南財經大學、上海交通大學及中國科學技術大學，

下面我們對每篇文章做一個簡要的介紹，并在文末把8篇論文打包好，供各位小伙伴在國慶期間好好學習，天天向上，

第一篇

在金融領域，上市公司的動量溢位效應得到了廣泛的認同，但只有很少的研究預測了一個企業與其相關企業在動量溢位上的傳導效應，通常的做法是用一些事先定義的公司間的關系，構建一個圖卷機網路模型（GCNs）來預測公司間的動量溢位，然而，動量溢位會通過企業間多種不同的關系進行傳播，其不同關系的重要性也會隨時間而變化，限制在幾個預先定義的關系不可避免地會產生噪音，從而誤導股票預測，

此外，傳統GCNs對于鄰節點公司的訊息進行傳遞與聚合時，不會考慮關聯公司的狀態 ，這個問題使得傳統的 GCNs 不適合處理上市公司的屬性敏感的動量溢位問題（注：動量溢位收到公司其他特征的影響），在本研究中，我們提出一個屬性驅動的圖形注意網路(AD-GAT)來解決動量溢位模型中的這兩個問題，這是一種通過對關聯企業的屬性與來源企業的屬性進行相乘以后進行非線性變換的方法，以考慮其屬性敏感的動量溢位，并應用無掩飾注意力機制，通過一種新型的基于張量的特征提取器，從觀察到的市場信號中推斷企業間的動態關系，對S&P 500指數三年期資料的實驗表明，該框架優于最先進的演算法，包括 GCN、 eLSTM 和 TGC，

什么是動量溢位效應？

海外研究發現，基本面相似或關聯的公司間存在動量溢位效應（momentum spillovers）：投資者在處理資訊時的注意力有限，當一家公司股價受到外在沖擊后，資訊并不會迅速傳遞至相似或關聯公司，在資訊的傳遞程序中，相關公司的股價間會形成領先-滯后效應（lead-lag effects），這種領先-滯后關系，往往以動量的形式存在，即動量溢位效應，

相關代碼

https://github.com/RuichengFIC/ADGAT

第二篇

作為演算法交易中的一個基本問題，指令執行的目的是完成一個特定的交易指令，為了實作有效的執行策略，近年來，由于交易執行優化本身是一個序列決策最優化的問題，研究的重點從基于模型的市場假設的分析視角向無模型視角的轉變，即強化學習，然而，由于市場資訊的嘈雜且不完善使得建立有效的強化學習以實作有效的訂單執行策略變得相當具有挑戰性，在本文中，我們提出了一個新的通用交易決策優化框架，以彌補噪聲但不完善的市場狀態和最優訂單執行序列之間的差距，特別是，這個框架利用了一種策略蒸餾的方法，這種方法能夠使用具有市場完整資訊的老師策略來指導一個 Student 策略學習，從而實作最優執行，實驗表明，該方法的表現優于各種強大的Baseline模型，

相關代碼

https://seqml.github.io/opd

第三篇

深度學習技術的最新發展促進了機器學習輔助股票交易策略的深入研究，然而，由于金融市場具有高度非平穩性質，阻礙了典型資料匱乏的機器學習方法的應用，利用金融歸納偏差對于確保更好的樣本效率和魯棒性非常重要，在本研究中，我們提出了一種基于預測殘差因子的分布來構建投資組合的新方法，該方法對于對沖常見市場因子的風險敞口通常是有用的，該方法的關鍵技術構成有兩部分：首先，作者介紹了一種高效率計算與提取殘差資訊的方法，該方法易于與各種預測演算法相結合，其次，我們提出了一種新的神經網路結構，使我們能夠融合廣泛認可的金融歸納偏差，如振幅不變性和時標不變性，我們用美國和日本的股票市場資料證明了我們方法的有效性，通過消融實驗，我們也驗證了每一種技術都有助于提高交易策略的性能，我們預計我們的技術將在各種金融問題上有廣泛的應用，

第四篇

量化交易和投資決策是復雜的金融任務，依賴于準確的股票選擇，盡管深度學習在復雜和高度隨機的股票預測問題上取得了顯著進展，但依然面臨兩個顯著的局限性，他們沒有直接從收益角度優化投資目標，而是把每只股票視為相互獨立的，忽略了相關股票價格動態之間的豐富信號，基于這些局限性，我們將股票預測重新定義為一個學習排序問題，并提出STHAN-SR模型，一種用于股票選擇的神經超圖結構，我們作業的關鍵是通過超圖與Hawkes注意力機制構建了一種新的時空注意超圖網路結構，這種結構能夠考慮到股票間的復雜關系，利用這個模型，我們可以在對股票排序進行預測的同時考慮到股票間的關系及股價的動態變化，通過對三個市場超過6年的資料進行的實驗，表明STHAN-SR顯著優于最先進的神經股票預測方法，我們通過對STHAN-SR的空間和時間成分的探索性分析來驗證我們的設計選擇，并證明了其實際適用性，

相關代碼

https://github.com/midas-research/sthan-sr-aaai

第五篇

在訂單驅動的金融市場中，金融資產的價格是通過訂單(以特定價格買進或賣出的請求)的互動作用發現的，這些訂單被發布到公開的限價訂單簿(LOB)上，因此，LOB資料對于建模市場動態非常有價值，然而，LOB資料并不是可以自由訪問的，這對希望利用這一資訊的市場參與者和研究人員提出了挑戰，幸運的是，交易和報價(TAQ)資料，以及在市場中執行的交易——更容易獲得，在本文中，我們提出了LOB重現模型，這是第一次僅使用TAQ資料從深度學習的角度來重現股票LOB的前5個價格水平，該模型由以下部分組成：

1、歷史編譯器，它使用一個gate recurunit (GRU)模塊選擇性地編譯預測相關的報價歷史；

2、市場事件模擬器，利用常微分方程遞回神經網路(ODE-RNN)模擬凈訂單量的累積；

3、一個加權方案，自適應地結合(1)和(2)產生的預測，

通過遷移學習的范式，在一只股票上訓練的源模型可以被微調，使其能夠應用到對額外資料需求更低的其他同類金融資產，在兩個真實世界的日內LOB資料集上進行的綜合實驗表明，該模型僅以TAQ資料為輸入，就能高效、高精度地重建LOB，

第六篇

強化學習的投資組合管理是金融科技研究的前沿，它探索了如何通過試驗和錯誤在長期內優化地將基金重新配置到不同的金融資產，現有的方法是不切實際的，因為它們通常假設每次重新分配都可以立即完成，從而忽略了作為交易成本一部分的價格下滑，為了解決這些問題，我們提出了一個分級強化的投資組合管理股票交易系統(HRPM)，具體來說，我們將交易程序分解為交易執行的投資組合管理層次，并訓練相應的策略，高級策略以較低的頻率給予投資組合權重以最大化長期利潤，并呼叫低級策略以較高的頻率在短時間視窗內出售或購買相應的股票，以最小化交易成本，我們通過資料效率的前訓練方案和迭代訓練方案對兩個層次的策略進行訓練，在美國市場和中國市場的廣泛實驗結果表明，HRPM比許多最先進的方法取得了顯著的改進，

第七篇

現有的基于強化學習(RL)的投資組合管理模型大多沒有考慮市場狀態，這限制了它們在風險收益平衡方面的表現，在本文中，我們提出基于深度強化學習方法的DeepTrader來優化投資策略，特別地，為了解決風險收益平衡問題，我們的模型嵌入了宏觀市場條件作為指標，動態調整多慷訓金的比例，以負的最大回撤作為回報函式，以降低市場波動的風險，此外，該模型還引入了一個評估單個資產的模塊，該以價格上升率作為回報函式，從歷史資料中學習動態模式，資產之間的時間和空間依賴關系都是由特定型別的圖結構分層捕獲的，特別是，我們發現，與行業分類和相關性相比，估計的因果結構更好地捕捉了資產之間的相互關系，這兩個模塊是互補和整合的，可以產生一個適合市場趨勢的投資組合，有效地在回報和風險之間取得平衡，對三個知名股票指數的實驗證明了DeepTrader在風險收益標準方面的優勢，

第八篇

在對股票走勢預測進行深入研究的同時，由于資料和建模的不確定性，現有作業的泛化程度較低，一方面，以端到端方式對隨機股票資料訓練股票表示可能導致過度建模，涉及模型的不確定性；另一方面，股票資料與其相關因素的相關性分析涉及到資料的不確定性，為了同時從資料和建模的角度解決這些不確定性，一個基本但具有挑戰性的任務是通過考慮從宏觀層面到行業和微觀層面的層次耦合，以更少的不確定性學習更好的股票表征，為此，我們提出了一種基于Copula的對比預測編碼(Co-CPC)方法，Co-CPC首先建立了特定股票部門和相關宏觀經濟變數之間的依賴關系模型，這些變數是順序的和異質性的，例如，宏觀變數與不同的時間間隔、規模和分布有關，然后，通過引進宏觀狀態資訊，以自我監督的方式學習股票表征，可以進一步用于下游任務，如股票移動預測，在兩個典型的股票資料集上的大量實驗驗證了Co-CPC方法的有效性，

相關代碼

https://github.com/goiter/CoCPC

https://github.com/yumoxu/stocknet-dataset

論文下載

后臺回復：AAAI-2021