摘要：本文给出一招独出心裁的基于机器学习的加密货币投资组合管理办法。跟以往主要聚焦特定加密货币（像比特币BTC）走势预估的研究不一样，本文借助剖析相对关系去管理一组加密货币。严格来讲，在每一个时间步骤里，作者运用神经网络预测所管理加密货币往后回报的排名，并且据此分配权重。经由纳入这类横截面信息，所给出的办法在2020年5月至2023年11月的真真每日加密货币市场数据的回测实验中展现出盈利性。在这三年半里，市场历经牛市，而后是熊市，接着又是停滞市场，构成了完整周期。即便处于这般复杂的市场状况下，所提方法依旧比现有方法更具优势，达成了夏普比率为一点零一，年化回报率为六十四点二六%。另外，所提方法被证实对于交易费用的增长具备鲁棒性。

《Local and in : an to 》

论文链接：

作者：Paolo , ,

摘要：全局平衡，是签名网络行为的一个，众人皆知的指标。近期文献，引入了局部平衡的概念，将其视为衡量单个节点，对网络整体平衡贡献的指标。在当前研究里，作者探究了，使用局部平衡与全局平衡偏差，作为选择表现优于市场资产的标准的潜力。背后的思想是，在金融危机期间，投资范围中的大多数资产，行为类似，损失严重且普遍，基于相关性的签名网络的全局平衡，达到它的最大值。在这般情形下，标准多样化（主要同投资组合规模有关联）没法降低风险或者限制损失。所以，把投资组合暴露集中于少数资产上或许是有用的——要是这些资产存在的话——它们的行为跟市场其他部分不一样。作者觉得，这些资产是那些局部平衡与底层签名网络的全局平衡强烈偏离的资产。经由运用真实金融数据的应用，论文支持了这一假设。结果在描述性和预测性背景下都证实了所提出的直觉。

《 Mean- with Jumps: An 》

论文链接：

作者： Max Chen, Bin Li, David

摘要：本文对连续时间均值 - 方差（MV）投资组合优化问题进行了重新审视，在此过程中，作者运用跳跃扩散过程对市场动态予以建模，并且应用强化学习（RL）技术，以此来推动控制空间内的有信息探索。作者察觉到MV问题存在时不一致性，因而采用时不一致控制（TIC）方法，目的是解析求解出一个探索性均衡投资策略，此策略是以经典MV问题的均衡控制为核心的高斯分布。该方法将时不一致的偏好与行动纳入考量范围，而均衡策略乃是投资者于投资期间的任何给定时间能够采取的最佳抉择。另外，作者凭借均衡策略的鞅性质，设计出一个RL模型，还提出了一个Actor - RL算法。所有RL模型参数在模拟研究里都收敛至相应的真实值。在24年的真实市场数据之上的数值研究显示，所提出的RL模型，在14次测试之中有13次是盈利的，证实了其在现实世界投资中的实用适用性。

《 in : A of , , and 》

论文链接：

作者： Hoque, Md , M. Kabir

关于强化学习（RL），有一种表述是，它乃是一种为金融决策制定而存在的创新办法，针对传统方法在面对复杂投资问题时遭遇失败的情况，能给出专业的应对方案。有这样一篇综述，它剖析了在2017年至2025年这个时间段内总计167篇文章，其中着重关注的点在于市场做市、投资组合优化以及算法交易。并且，它还辨别出了在金融领域里强化学习（RL）所存在的关键性能方面的问题以及面临的挑战。一般而言，在市场做市这件事情上，强化学习（RL）相较于传统方法具备优势。而此项研究，提出了一个统一的框架，目的是去处理诸如可解释性、鲁棒性以及部署可行性等这些大家共同关心的问题。使用合成数据的实证证据显示，开展实施质量以及领域知识，一般而言比算法复杂性更为重要。该项研究着重指出，存在对于可解释的RL架构的需求，其目的在于契合监管合规性，于非平稳环境里提升鲁棒性，还有标准化基准测试协议。相关组织应当削减对算法复杂性的关切，将更多注意力投向市场微观结构，监管约束以及决策之中的风险管理。

《一种用于股票的模型：带有图表的新闻和时间数据》，改写为：《对于股票来讲的一个模型：具备图表的新闻以及时间数据》。

论文链接:

作者: Nader Sadek, , ,

摘要：股市预测，作为金融领域内一项长期存在的挑战，其准确的预测对于明智的投资决策这件事而言具备着帮助作用。传统模型主要是依靠历史价格，然而最近的工作显示出，金融新闻能够提供有用的外部信号。本文针对一种多模态方法展开了研究，该方法把公司的新闻文章以及历史股票数据进行整合，目的在于提高预测性能。作者对图神经网络也就是GNN模型与基线LSTM模型做了比较。每家公司的历史数据运用LSTM进行编码，而新闻标题则借助语言模型来嵌入。形成异构图节点以捕捉文章公司行业间互动的是这些嵌入着对象，作者对两个目标做了评估，其一为具有二元特征朝着变化方向的标签，其二是基于重要性特性的标签，在美国股票以及彭博数据集之上所开展的实验显示，GNN比LSTM基线具优势呈现，于第一个目标达成了53%的准确率，于第二个目标达成了4%的精确度方面提高，结果也表明，和更多新闻有关联的公司具备更高预测性可靠性，另外，标题比全文含有更强预测信号，这显示出简洁形式新闻摘要于短期市场反应里发挥着重要作用。

关于交叉的那个，一项研究的那个，这个题目，叫这个名字《 为交叉的那个：一项研究》。

论文链接:

要点：量子机器学习给增强股市预测给出了一条有希望的法子，尤其是在复杂、嘈杂以及高度动态的金融环境里边。可是，好多经典预测模型难以处置噪声输入、制度转变以及有限的泛化能力。为了应对这些挑战，作者提出来一种量子时间卷积神经网络，也就是QTCNN，它把经典的时间编码器跟参数高效的量子卷积电路结合起来，用来做横截面股票回报预测。多尺度模式由时间编码器从序列技术指标里提取，叠加和纠缠被量子处理利用来增强特征示意且抑制过拟合。作者于JPX东京证券交易所数据集开展了全面基准测试，样本外夏普比率被用作主要性能指标，预测借助构建长短期投资组合予以评估。QTCNN达成了0.538的夏普比率，比最佳经典基线高出约72%。这些成果凸显了量子增强型预测模型QTCNN在量化金融中稳健决策的实际潜力。

你的内容似乎不太完整或存在乱码，不太明确具体要改写什么，请补充合适准确的内容。

论文链接:

作者: Yang

摘录：此项研究运用过程探寻中国股市里的传染效应，剖析多变量时间序列数据之中的自相关以及交叉相关性。作者查验市场指数有无展现出趋势行为，以及行业指数是不是相互产生影响。经由对上海综合指数、深圳成分指数以及创业板指数还有行业指数（像CSI消费者、医疗保健以及金融）的日回报拟合自激励兼抑制的过程，作者辨认出涵盖上升、下降以及超卖反弹趋势等在内的长期依赖性和趋势模式。结果显现出来，处于高交易活动的时段，那时行业指数趋向于保持它的趋势，然而在低活动的阶段，却展现出强烈的行业轮动。此项研究借助时空过程给股票价格运动构建模型，凭借条件强度函数阐释行业轮动，加深了对于金融传染的认知。

论文链接: