US equities
PulseAugur coverage of US equities — every cluster mentioning US equities across labs, papers, and developer communities, ranked by signal.
-
深度学习集成在算法交易中实现51%的年化回报
一篇新的研究论文探讨了深度学习技术在算法交易中的应用，重点是改善美国股票的信号生成。该研究使用贝叶斯优化训练了包括XGBoost和TabNet在内的五种模型类别，以提高在不同市场状态下的性能。结果表明，结合XGBoost和TabNet的混合集成模型实现了2.44的夏普比率和51.26%的显著年化回报，优于单个模型，并展示了在各种市场条件下的稳健泛化能力。
-
新研究解决了时间序列基础模型的训练和评估挑战
两篇新研究论文探讨了时间序列基础模型（TSFM）的训练和评估挑战。第一篇论文介绍了 ORBIT，一种新颖的训练范式，旨在控制分布特性，如领域不平衡和上下文需求，并用一个名为 Falcon-2.0 的 Transformer 模型证明了其有效性。第二篇论文在预测金融数据时，识别出 TSFM 中一种称为“预测崩溃”的现象，即预测变得平坦且排名不佳，并提出了一种新的目标函数 CalibRank 来解决这个问题。
-
海外投资者推动美国股市AI敞口创纪录资金流入
Apollo Global Management首席经济学家Torsten Slok表示，净外国资金流入美国股市已达到创纪录高位。这一激增主要归因于海外投资者寻求人工智能领域的敞口，他们认为本国市场缺乏此类机会。
-
汇丰策略师预计结构性因素将推动股市持续增长
汇丰策略师Max Kettner认为，由于支撑估值走高的结构性因素，股市可以在没有特定催化剂的情况下继续上涨。他指出，全球经济增长和稳定的利润率是盈利的关键驱动因素。Kettner目前倾向于增持美国和亚洲股票。
-
新的ReSGA模型以数百万个参数增强金融风险预测能力
研究人员开发了ReSGA，一个旨在提高在险价值（VaR）和预期损失（ES）预测准确性的新型超大尾部风险模型。该模型拥有数百万个参数，利用了美国股票的大量横截面和时间数据。在样本外测试中，ReSGA的表现优于其他十二个模型，证明了其在金融风险管理方面的有效性。