Chinese A-share
PulseAugur coverage of Chinese A-share — every cluster mentioning Chinese A-share across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的MC-JEPA架构提高了金融时间序列预测能力
研究人员开发了市场条件联合嵌入预测架构(MC-JEPA),这是一种专为金融时间序列设计的新型联合嵌入预测架构。该模型通过以已实现的市场因素为条件来提高预测准确性,有效地从不可预测的市场冲击中学习。在11年的中国A股数据上进行测试,MC-JEPA在预测收益率、市场敞口、风险和流动性方面表现出显著的提升,优于现有的时间序列基础模型和自监督基线模型。
-
新框架TradeGrad利用LLM文本梯度优化交易策略
研究人员开发了TradeGrad,一个旨在利用LLM(大语言模型)文本梯度优化交易策略的新框架。该方法通过整合累积的优化经验并强调跨周期稳健性(Cross-Period Robust Objective, CPRO),解决了现有方法的局限性。在中国A股和美国股市进行的实验表明,TradeGrad的业绩显著优于基准,在中国横截面策略中实现了27.99%的年化回报率。
-
股票成交量分析揭示中国A股中具有误导性的优势
一位Mastodon用户分享了对中国A股股票数据的分析,该数据最初似乎显示与交易量呈正相关。然而,在通过按月拆分数据进行进一步检查后,观察到的效应符号反转。这表明成交量作为交易优势的初步确认具有误导性,并且取决于所分析的时间范围。
-
新的残差代数学习方法提高了股票回报率
研究人员开发了一种名为残差代数(Residual Algebra)的新学习框架,它超越了简单的特征连接,以保留表征错误的来源。该方法将表征视为管理自身坐标系和未解决残差的类型化对象。该代数通过一个松弛-聚合-闭合(relax-aggregate-close)过程实现,其中修正后的字段收敛于共享均值,形成一个身份擦除边界。将此方法应用于367万个中国A股股票日观测数据,该方法将净成本回报率从13.52%显著提高到19.10%,并将夏普比…