PulseAugur
中
实时 10:51:18
English(EN) Is attention truly all we need? An empirical study of asset pricing in pretrained RNN sparse and global attention models

注意力模型在资产定价研究中展现出潜力

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文探讨了将通常用于自然语言处理的高级注意力机制应用于实证资产定价领域的可能性。该研究专门考察了在包括COVID-19大流行在内的不同市场条件下，在大量美国股票数据集上，具有全局和稀疏注意力变体的预训练循环神经网络（RNN）模型。研究结果表明，这些注意力模型能够有效地推导回报和对冲风险，其中全局自注意力模型和滑动窗口稀疏注意力模型表现强劲，尤其是在波动性较大的时期。 AI

影响 来自NLP的高级注意力机制在改进实证资产定价的金融建模和风险管理方面显示出潜力。

排序理由 这是一篇在arXiv上发表的学术论文，详细介绍了实证研究结果。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Shanyan Lai ·

    注意力真的就是我们所需要的一切吗？预训练RNN稀疏和全局注意力模型的资产定价实证研究

    arXiv:2508.19006v2 Announce Type: replace-cross Abstract: This study investigates the pre-trained RNN attention models with the mainstream attention mechanisms, such as additive attention, Luong's three attentions, global self-attention and sliding window sparse attention, for th…

相关实体

相关话题