OHLCV
PulseAugur coverage of OHLCV — every cluster mentioning OHLCV across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
DIVINE框架重建金融指标以改进股票预测
研究人员开发了DIVINE，一个用于金融时间序列数据的新型预训练框架，该框架从原始OHLCV（开盘价、最高价、最低价、收盘价、成交量）历史数据中重建技术指标。这种方法旨在提高收益预测的一致性，同时避免未来监督的不确定性。在六个股票市场数据集上进行预训练后，DIVINE的轻量级编码器在投资组合表现上优于更大的模型和基线，表明指标和市场的多样性是可迁移金融表征的关键驱动因素。
-
新的扩散模型增强了天气、时间序列和金融预测能力
研究人员开发了基于扩散模型的新方法，用于概率时间序列预测。其中一种方法在arXiv上有所介绍，通过引入辅助条件去噪任务来增强天气预报，尤其是在更长的时间尺度上提高预测精度。另一种方法GARDiff通过逐步调整残差生成的依赖图，解决了多变量时间序列预测中解耦扩散模型的结构对齐问题。此外，一个名为KiT的基础模型，使用DiffusionTransformers构建，通过将预测重新构建为条件路径生成，旨在进行金融蜡烛图预测，并在各种市场和分…
-
FactorEngine框架利用LLM引导的代码生成挖掘金融市场信号
研究人员开发了FactorEngine (FE)，一个用于在金融市场中发现预测信号的新框架。FE将因子视为可执行的、图灵完备的代码，将逻辑修订与参数优化分离，并采用LLM引导的搜索。它还通过多代理管道将非结构化金融报告整合到可执行的因子程序中，并使用经验知识库进行精炼。回测表明，FE在预测稳定性和投资组合影响方面显著优于基线方法。
-
新基准审计视觉语言模型的烛台理解能力
研究人员开发了 Martingale Doppelgänger-Eval，这是一个旨在审计视觉语言模型（VLM）烛台理解能力的新基准。该框架旨在区分真正利用视觉图表证据的 VLM 和那些仅仅推断过去趋势的 VLM。该基准采用受控机制，如鞅空市场和注入 alpha 反事实，以隔离模型行为，揭示许多当前的 VLM 表现出对过去趋势而非局部证据的显著偏见。