写在前面

AAAI（Association for the Advancement of Artificial Intelligence）意为国际先进人工智能协会，是人工智能领域的主要学术组织之一。旨在推动智能思维与行为机制的科学理解及机器实现，并促进人工智能的科学研究和规范应用。被中国计算机协会 CCF 推荐为A类会议。AAAI 2022 的论文接收结果：共有9020篇有效投稿，其中1349篇论文被接收，接收率仅为14.96%，创历史新低！本文主要介绍了AAAI 2022中收录的几篇量化交易相关的论文。

论文标题：

FactorVAE: A Probabilistic Dynamic Factor Model Based on Variational
Autoencoder for Predicting Cross-sectional Stock Returns

作者单位：

清华大学

论文链接：

https://www.aaai.org/AAAI22Papers/AAAI-12027.DuanY.pdf

研究内容：

作为经济学和金融学中的一种资产定价模型，因子模型已被广泛用于量化投资中。为了建立更有效的因子模型，最近几年见证了从线性模型到更灵活的非线性数据驱动的机器学习模型的范式转变。然而，由于金融数据的低信噪比，学习有效的因子模型是相当具有挑战性的。在这篇论文中，作者提出了一个新的因子模型，FactorVAE，作为一个具有内在随机性的概率模型，用于噪声建模。本质上，提出的模型整合了机器学习中的动态因子模型（Dynamic Factor model, DFM）和变分自编码器（Variational Autoencoder, VAE），并提出了一种基于VAE的先验-后验学习方法，该方法可以通过未来信息逼近最优后验因子模型来有效指导模型的学习。特别是，考虑到风险建模对高噪声的股票数据很重要，FactorVAE除了预测收益外，还可以从VAE的潜在空间的分布中估计方差。实验结果在真实的股票市场数据上的实验证明了FactorVAE的有效性，并且超过了各种基准方法。

模型框架

论文标题：

NumHTML: Numeric-Oriented Hierarchical Transformer Model
for Multi-task Financial Forecasting

作者单位：

西湖大学

论文链接：

https://www.aaai.org/AAAI22Papers/AAAI-4799.YangL.pdf

研究内容：

金融预测一直是机器学习研究的一个重要而活跃的领域，因为它所带来的挑战，以及在预测准确性或预测方面即使是微小的改进也可能带来的潜在回报。传统上，金融预测在很大程度上依赖于来自结构化财务报表的定量指标和度量。财报电话会议（Earnings conference call data）数据，包括文本和音频，是一个重要的非结构化数据来源，已被用于使用深度学习和相关方法进行各种预测任务。然而，目前基于深度学习的方法在处理数值数据的方式上是有限的；数字通常被视为明文标记，而没有利用其潜在的数字结构。这篇文章中，作者突出了一个面向数字的分层转换模型（Numeric-oriented Hierarchical Transformer Model , NumHTML），通过利用不同类别的数字（货币、时间、百分比等）及其大小，利用多模式对齐的电话会议数据预测股票收益和金融风险。实验部分，作者使用一个真实的公开数据集，对NumHTML与几个最先进的基准模型进行了全面评估。结果表明，NumHTML在各种情况下明显优于目前最先进的对比模型，并且它有可能在实际的交易环境中提供显著的财务收益。

模型框架

论文标题：

Co-promotion Predictions of Financing Market and Sales Market: A Cooperative-Competitive Attention Approach

作者单位：

安徽大学，天津大学

论文链接：

https://ojs.aaai.org/index.php/AAAI/article/download/20888/20647

研究内容：

市场流行（Market popularity）预测，如销售预测和集资预测等，一直是一个研究课题热点。这些研究大多将视角放在孤立的市场上，依靠对某些市场的了解来最大化预测性能。然而，这些针对市场的研究方法会受到孤立市场的限制，无法处理不同市场之间复杂而潜在的关系，尤其是一些具有强烈依赖性的市场，如融资市场和销售市场。这篇论文中，作者发现了融资市场和销售市场之间潜在的共生关系，这为我们提供了一个共同促进两个市场的热度预测的机会。因此，为了更好地学习融资市场和销售市场之间的知识互动，作者提出了一种跨市场的方法，即合作-竞争注意力转移网络（Cooperative-competitive Attention Transfer Network，CATN），它可以有效地转移集资市场的融资能力和电子商务市场的销售前景的知识。具体来说，为了捕捉复杂的关系，特别是项目之间的合作或互补，加强两个异质市场之间的知识转移，作者设计了一个新颖的合作性注意力；同时，为了精细计算项目之间的关系，特别是在特定的同一市场的竞争，作者进一步为两个市场分别设计了竞争性注意力。此外，作者还区分了一致的特征和独特的特征来适应跨市场的预测。最后，利用从Indiegogo和Amazon收集的真实数据集，在这两个市场的三种数据集上进行了广泛的实验，结果表明文中提出的CATN模型的有效性和通用性。

模型框架

论文标题：

Forecasting Asset Dependencies to Reduce Portfolio Risk

作者单位：

香港大学

论文链接：

https://www.aaai.org/AAAI22Papers/AAAI-7053.ZhuH.pdf

研究内容：

金融资产通常会表现出一些依赖性的结构，即其价格或收益的波动上会显示出各种不同程度的相关性。对资产价格依赖性的分析可以帮助投资者建立一个多样化的投资组合，旨在减少由于金融市场的高波动性而导致的投资组合风险。由于金融资产的依赖性会随着时间的推移而发生复杂的变化，因此资产依赖性预测是金融领域的一个重要问题。在这篇论文中，作者将成对的资产依赖关系组织在一个资产依赖矩阵（Asset Dependency Matrix ，ADM）中，并提出了资产依赖关系预测的问题，即在过去的ADM序列中预测未来的ADM。对此，作者提出了一个新的想法，将资产依赖矩阵序列看作是一个图像序列，以捕捉资产之间的空间和时间依赖关系。受视频预测任务的启发，作者开发了一个新的资产依赖性神经网络（Asset Dependency Neural Network，ADNN）来处理资产预测问题。实验表明，文中提出的框架在未来的资产预测和降低投资组合风险的任务上始终优于基准方法。

模型框架

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。