deep finance

deep-finance : Deep Learning für die Finanzwelt

Dieses Repository wird nicht mehr aktualisiert, da die interessanten Arbeiten in diesem Bereich selten sind. Wenn Sie sich wirklich für Deep Learning und Finanzen interessieren, ist es besser, hochwertige Artikel zu Zeitreihenprognosen , Verarbeitung natürlicher Sprache , graphischen neuronalen Netzen , Empfehlungssystemen und Finanzen zu lesen, deren Ideen und Modelle möglicherweise hilfreicher sind.

Inhalt

1. Datensatz
2. Papier
2.1 Aktienprognose	2.2 Portfolioauswahl
2.3 Risikomanagement	2.4 Finanz-NLP
2.5 Blockchain	2.6 Market Maker
2.7 Sonstiges
3. Buchen
4. Diskussionsgruppe

Datensatz

Datensatz	Aufgabe	Beschreiben
StockNet	Vorhersage der Aktienbewegung	Ein umfassender Datensatz zur Vorhersage von Aktienbewegungen anhand von Tweets und historischen Aktienkursen.
ErgebnisAnruf	Aktienrisikovorhersage	Der Datensatz zur Telefonkonferenz zu den Gewinnen der S&P 500-Unternehmen.
FinSBD-2019	Erkennung von Finanzsatzgrenzen	Der FinSBD-2019-Datensatz enthält automatisch vorsegmentierten Finanztext, der für die Erkennung von Finanzsatzgrenzen verwendet werden kann.
Finanzphrasenbank	Erkennung von Finanzsatzgrenzen	Der Financial Phrasebank-Datensatz besteht aus 4845 englischen Sätzen, die zufällig aus Finanznachrichten aus der LexisNexis-Datenbank ausgewählt wurden.
FiQA	Beantwortung finanzieller Fragen	Der Finanz-QA-Datensatz wird durch das Crawlen von Stack-Exchange-Beiträgen zum Thema „Investition“ im Zeitraum zwischen 2009 und 2017 erstellt.
FiQA SA	Analyse der finanziellen Stimmung	Der FiQA SA-Datensatz umfasst zwei Arten von Diskursen: Finanznachrichten-Schlagzeilen und Finanz-Microblogs mit manuell kommentierten Zielentitäten, Stimmungswerten und Aspekten.

Papier

Aktienprognose

1. Anwendungen von Deep Learning in der Börsenprognose: jüngste Fortschritte . arxiv 2020. Papier

   Weiwei Jiang

2. Individualisierter Indikator für alle: Aktienbezogene technische Indikatorenoptimierung mit Aktieneinbettung . KDD 2019. Papier

   Zhige Li, Derek Yang, Li Zhao, Jiang Bian, Tao Qin und Tie-Yan Liu

3. Anlageverhalten verrät, was darin steckt: Erkundung der intrinsischen Eigenschaften von Aktien zur Vorhersage von Aktientrends . KDD 2019. Papier

   Chi Chen, Li Zhao, Jiang Bian, Chunxiao Xing und Tie-Yan Liu

4. Erforschung graphischer neuronaler Netze für Börsenvorhersagen mit Rolling-Window-Analyse . AdRR 2019. Papier

   Daiki Matsunaga, Toyotaro Suzumura, Toshihiro Takahashi

5. Temporales relationales Ranking für die Aktienvorhersage . TOIS 2019 . Papier

   Fuli Feng, Xiangnan He, Xiang Wang, Cheng Luo, Yiqun Liu, Tat-Seng Chua

6. Einbeziehung von Unternehmensbeziehungen über Graph Convolutional Neural Networks zur Aktienkursvorhersage . CIKM 2018 . Papier

   Yingmei Chen, Zhongyu Wei, Xuanjing Huang

7. Wissensgesteuerte Ereigniseinbettung für Aktienprognosen . COLING 2016 . Papier

   Xiao Ding, Yue Zhang, Ting Liu, Junwen Duan

8. HATS: Ein hierarchisches Graph-Aufmerksamkeitsnetzwerk für die Vorhersage von Aktienbewegungen . arxiv 2019 . Papier

   Raehyun Kim, Chan Ho So, Minbyul Jeong, Sanghoon Lee, Jinkyu Kim, Jaewoo Kang

9. Hierarchisches komplementäres Aufmerksamkeitsnetzwerk zur Vorhersage von Aktienkursbewegungen anhand von Nachrichten . CIKM 18 . Papier

   Qikai Liu, Xiang Cheng, Sen Su, Shuguang Zhu

10. Vorhersage der Aktienbewegung anhand von Tweets und historischen Kursen . ACL 2018 . Papier

    Yumo Xu, Shay B. Cohen

mehr

11. Was Sie sagen und wie Sie es sagen, ist wichtig: Finanzielle Risiken mithilfe verbaler und stimmlicher Hinweise vorhersagen . ACL 2019 . Papier

    Yu Qin, Yi Yang

12. Chaotisches Flüstern hören: Ein Deep-Learning-Framework für nachrichtenorientierte Aktientrendvorhersagen . WSDM 2018 . Papier

    Ziniu Hu, Weiqing Liu, Jiang Bian, Xuanzhe Liu

13. Verbesserung der Vorhersage von Aktienbewegungen durch gegnerisches Training . IJCAI 2019 . Papier

    Fuli Feng, Huimin Chen, Xiangnan He, Ji Ding, Maosong Sun, Tat-Seng Chua

14. Multitasking-rekurrente neuronale Netze und Markov-Zufallsfelder höherer Ordnung für die Vorhersage von Aktienkursbewegungen . KDD 2019 . Papier

    Chang Li (School of Computer Science University of Sydney); Dongjin Song (Capital Market CRC); Dacheng Tao (NEC);

15. Aktienkursvorhersage durch Erkennen von Multifrequenz-Handelsmustern . KDD 2017 . Papier

    Liheng Zhang, Charu C. Aggarwal, Guojun Qi

16. „Ein zweistufiges aufmerksamkeitsbasiertes wiederkehrendes neuronales Netzwerk für die Zeitreihenvorhersage“ . IJCAI 2017 . Papier

    Yao Qin, Dongjin Song, Haifeng Chen, Wei Cheng, Guofei Jiang, Garrison Cottrell

17. Modellierung der Bestandsbeziehung mit Graph Network für die Vorhersage von Bestandsbewegungen über Nacht . IJCAI 2020: KI in FinTech. Papier

    Wei Li, Ruihan Bao, Keiko Harimoto, Deli Chen, Jingjing Xu, Qi Su

18. Ein von Quanten inspirierter entropischer Kernel für die Analyse mehrerer finanzieller Zeitreihen . IJCAI 2020: KI in FinTech. Papier

    Lu Bai, Lixin Cui, Yue Wang, Yuhang Jiao, Edwin R. Hancock

19. Hierarchischer Multiskalen-Gauß-Transformator zur Vorhersage von Aktienbewegungen . IJCAI 2020: KI in FinTech. Papier

    Qianggang Ding, Sifan Wu, Hao Sun, Jiadong Guo, Jian Guo

20. Mehrskaliges Zwei-Wege-Tiefen-Neuronales Netzwerk zur Vorhersage von Aktientrends . IJCAI 2020: KI in FinTech. Papier

    Guang Liu, Yuzhao Mao, Qi Sun, Hailong Huang, Weiguo Gao, Xuan Li, Jianping Shen, Ruifan Li, Xiaojie Wang

Portfolioauswahl

1. „Ein zweistufiger Reinforcement-Learning-Algorithmus für das Problem der mehrdeutigen Mittelwert-Varianz-Portfolioauswahl“ . IJCAI 2020: KI in FinTech. Papier

   Xin Huang, Duan Li

2. Finanzielles Gedankenexperiment: Ein GAN-basierter Ansatz für die Auswahl eines umfassenden, robusten Portfolios . IJCAI 2020: KI in FinTech. Papier

   Chi Seng Pun, Lei Wang, Hoi Ying Wong

3. MAPS: Multi-Agent Reinforcement Learning-basiertes Portfoliomanagementsystem. . IJCAI 2020: KI in FinTech. Papier

   Jinho Lee, Raehyun Kim, Seok-Won Yi, Jaewoo Kang

4. Online-Portfolioauswahl mit Kardinalitätsbeschränkung und Transaktionskosten basierend auf Contextual Bandit . IJCAI 2020: KI in FinTech. Papier

   Mengying Zhu, Xiaolin Zheng, Yan Wang, Qianqiao Liang, Wenfang Zhang

5. RM-CVaR: Regularisiertes multiples β-CVaR-Portfolio . IJCAI 2020: KI in FinTech. Papier

   Kei Nakagawa, Shuhei Noma, Masaya Abe

6. Beziehungsbewusster Transformator für das Erlernen von Portfoliorichtlinien . IJCAI 2020: KI in FinTech. Papier

   Ke Xu, Yifan Zhang, Deheng Ye, Peilin Zhao, Mingkui Tan

7. Vektorautoregressive Gewichtungsumkehrstrategie für die Online-Portfolioauswahl . IJCAI 2020: KI in FinTech. Papier

   Xia Cai

8. Ein End-to-End-Framework für die optimale Handelsausführung basierend auf der Optimierung der Proximalpolitik . IJCAI 2020: KI in FinTech. Papier

   Siyu Lin, Peter A. Beling

Risikomanagement

1. Finanzielle Risikoanalyse für KMU mit graphbasiertem Supply Chain Mining . IJCAI 2020: KI in FinTech. Papier

   Shuo Yang, Zhiqiang Zhang, Jun Zhou, Yang Wang, Wang Sun, Xingyu Zhong, Yanming Fang, Quan Yu, Yuan Qi

2. Föderiertes Meta-Learning zur Erkennung betrügerischer Kreditkarten . IJCAI 2020: KI in FinTech. Papier

   Wenbo Zheng, Lan Yan, Chao Gou, Fei-Yue Wang

3. Das Verhaltenszeichen von Kontodiebstahl: Warnung vor Online-Zahlungsbetrug erkennen . IJCAI 2020: KI in FinTech. Papier

   Cheng WANG

4. Phishing-Betrugserkennung auf Ethereum: Auf dem Weg zur finanziellen Sicherheit für das Blockchain-Ökosystem . IJCAI 2020: KI in FinTech. Papier

   Weili Chen, Xiongfeng Guo, Zhiguang Chen, Zibin Zheng, Yutong Lu

5. Interpretierbares multimodales Lernen für intelligente Regulierung in Online-Zahlungssystemen . IJCAI 2020: KI in FinTech. Papier

   Shuoyao Wang, Diwei Zhu

6. Risikogarantievorhersage bei Netzwerkkrediten . IJCAI 2020: KI in FinTech. Papier

   Dawei Cheng, Xiaoyang Wang, Ying Zhang, Liqing Zhang

7. Risikoaverse Trust-Region-Optimierung zur Reduzierung der Belohnungsvolatilität . IJCAI 2020: KI in FinTech. Papier

   Lorenzo Bisi, Luca Sabbioni, Edoardo Vittori, Matteo Papini, Marcello Restelli

8. Anomalien anhand häufiger Muster erkennen . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

   Jaroslav Kuchař, Vojtěch Svátek

9. Kollektive Betrugserkennung zur Erfassung der Abhängigkeit zwischen Transaktionen . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

   Bokai Cao, Mia Mao, Siim Viidu, Philip S. Yu

10. Automatisiertes System zur Erkennung von Datenattributanomalien . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

    Nalin Aggarwal, Alexander Statnikov, Chao Yuan

mehr

11. Ermittlung unerwünschter Ergebnisse mithilfe der Anomalieerkennung . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

    Michelle Miller, Robert Cezeaux

12. Anomalieerkennung mit Dichteschätzungsbäumen . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

    Parikshit Ram, Alexander Gray

13. Binned Kernels zur Anomalieerkennung in Daten mit mehreren Zeitskalen mithilfe von Gaußschen Prozessen . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

    Matthew van Adelsberg, Christian Schwantes

14. Ensemblebasierte Anomalieerkennung mittels Kooperationsvereinbarung . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

    Rasha Kashef

15. Echtzeit-Anomalieerkennungssystem für Zeitreihen im großen Maßstab . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

    Ira Cohen, Meir Toledano, Yonatan Ben Simhon, Inbal Tadeski

16. PD-FDS: Kaufdichtebasiertes Online-System zur Erkennung von Kreditkartenbetrug . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

    Youngjoon Ki, Ji Won Yoon

17. Deep Learning zur Erkennung von Behandlungsbetrug bei Gesundheitsdienstleistern . KDD 2017: Anomalieerkennung im Finanzwesen. Papier

    Daniel Lasaga, Prakash Santhana

Finanz-NLP

1. Deep Semantic Compliance Advisor für die Compliance-Prüfung unstrukturierter Dokumente . IJCAI 2020: KI in FinTech. Papier

   Honglei Guo, Bang An, Zhili Guo, Zhong Su

2. „The Squawk Bot“: Gemeinsames Lernen von Zeitreihen- und Textdatenmodalitäten für die automatisierte Filterung von Finanzinformationen . IJCAI 2020: KI in FinTech. Papier

   Xuan-Hong Dang, Syed Yousaf Shah, Petros Zerfos

3. Ein einheitliches Modell zur Klassifizierung, Erkennung und Zusammenfassung von Finanzereignissen . IJCAI 2020: KI in FinTech. Papier

   Quanzhi Li, Qiong Zhang

4. F-HMTC: Erkennung finanzieller Ereignisse für Investitionsentscheidungen basierend auf neuronaler hierarchischer Multi-Label-Textklassifizierung . IJCAI 2020: KI in FinTech. Papier

   Xin Liang, Dawei Cheng, Fangzhou Yang, Yifeng Luo, Weining Qian, Aoying Zhou

5. Finanzielle Risikovorhersage mit Multi-Round Q&A Attention Network . IJCAI 2020: KI in FinTech. Papier

   Zhen Ye, Yu Qin, Wei Xu

6. FinBERT: Ein vorab trainiertes Finanzsprachen-Repräsentationsmodell für Financial Text Mining . IJCAI 2020: KI in FinTech. Papier

   Zhuang Liu, Degen Huang, Kaiyu Huang, Zhuang Li, Jun Zhao

7. Zweistufiges Verhaltensklonen für ein gesprochenes Dialogsystem im Inkasso . IJCAI 2020: KI in FinTech. Papier

   Zihao Wang, Jia Liu, Hengbin Cui, Chunxiang Jin, Minghui Yang, Yafang Wang, Xiaolong Li, Renxin Mao

Blockchain

1. BitcoinHeist: Topologische Datenanalyse zur Ransomware-Vorhersage auf der Bitcoin-Blockchain . IJCAI 2020: KI in FinTech. Papier

   Cuneyt G. Akcora, Yitao Li, Yulia R. Gel, Murat Kantarcioglu

2. SEBF: Ein Single-Chain-basiertes Erweiterungsmodell der Blockchain für Fintech . IJCAI 2020: KI in FinTech. Papier

   Yimu Ji, Weiheng Gu, Fei Chen, Xiaoying Xiao, Jing Sun, Shangdong Liu, Jing He, Yunyao Li, Kaixiang Zhang, Fen Mei, Fei Wu

3. Infochain: Ein dezentrales, vertrauenswürdiges und transparentes Oracle auf Blockchain . IJCAI 2020: KI in FinTech. Papier

   Naman Goel, Cyril van Schreven, Aris Filos-Ratsikas, Boi Faltings

Market Maker

1. Marktmanipulation: Ein gegnerisches Lernrahmenwerk zur Erkennung und Umgehung . IJCAI 2020: KI in FinTech. Papier

   Xintong Wang, Michael P. Wellman

2. Datengesteuertes Market-Making durch modellfreies Lernen . IJCAI 2020: KI in FinTech. Papier

   Yueyang Zhong, YeeMan Bergstrom, Amy Ward

3. Robustes Market Making durch Adversarial Reinforcement Learning . IJCAI 2020: KI in FinTech. Papier

   Thomas Spooner, Rahul Savani

Andere

1. IGNITE: Ein Minimax-Spiel zum Lernen individueller Behandlungseffekte aus vernetzten Beobachtungsdaten . IJCAI 2020: KI in FinTech. Papier

   Ruocheng Guo, Jundong Li, Yichuan Li, K. Selçuk Candan, Adrienne Raglin, Huan Liu

2. Aufgabenbasiertes Lernen über ein aufgabenorientiertes Vorhersagenetzwerk mit Anwendungen im Finanzwesen . IJCAI 2020: KI in FinTech. Papier

   Di Chen, Yada Zhu, Xiaodong Cui, Carla P. Gomes

3. WATTNet: Lernen, Devisen durch hierarchische räumlich-zeitliche Darstellung hochmultivariater Zeitreihen zu handeln . IJCAI 2020: KI in FinTech. Papier

   Michael Poli, Jinkyoo Park, Ilija Ilievski

Buch

1. Die Ökonometrie der Finanzmärkte

   John Y. Campbell, Andrew W. Lo, A. Craig Mackinlay

2. Fortschritte im maschinellen Lernen im Finanzbereich

   Marcos Lopez de Prado

3. Finanzielle Entscheidungen und Märkte: Ein Kurs zur Vermögenspreisgestaltung

   J. Campbell

Diskussionsgruppe

对于AI+Finance方向感兴趣的童鞋,欢迎扫描下面的二维码学习交流: