# 高频时序预测研究 Idea 周报 2026-W38 - 周期: `2026-09-14` 至 `2026-09-20` - 生成时间: `2026-09-14T01:10:43+00:00` - source registry version: `2026-08-05.v7` - 来源条目: `39` - 候选想法: `10` ## 本周结论 本周候选只代表研究启发，不代表可直接上线。每篇文章由 LLM 或人工 notes 尽量总结文章自身的背景、逻辑、方法、数据和结果；没有依据的字段留空，不再硬写固定模板。项目相关迁移只放在“研究启发/管线落点”里，不混入文章摘要。本轮特别关注高频数据特征工程，优先识别能转化为订单流、盘口形态、价格层记忆、事件时间、主动买卖和 sidecar 字段的想法。 ## 本周汇总导航 本周共 `10` 条候选 idea，分布在 `4` 个板块。 证据分布: 已读 PDF 3, 已读网页 7。 摘要质量: {'high': 3, 'medium': 7}；摘要长度中位数 `828.5` 字；有提示的条目 `0` 条。 ### 本周去重审计 - 高分候选: `34` - 主榜新增: `10` - 补充池入选: `1` - 观察池补正文: `2` - 观察池候选: `5` - 历史重复过滤: `22` - 同周重复过滤: `0` - 离题过滤: `2` - 精选阅读: `15` / `15` - 上周重合: `0` - **AI 辅助因子生成**：1 条 - AQuA：递归自我改进的量化交易研究智能体：把递归自我改进明确限定为固定实验规则下的研究决策改进。 - **评估审计与风险控制**：2 条 - 价格与交易动态的可解释深度学习：从黑箱预测到有效参数模型：把神经网络解释结果转化为简约非线性参数模型 - 用于预测限价订单簿趋势的量子加权移动平均：以酉算子线性组合构建可学习的量子移动平均 - **金融时序预测模型**：5 条 - 用于金融市场波动率预测的混合深度学习框架：结合 TCN、双向 LSTM 与多头注意力建模多尺度波动 - 面向投资决策的机器学习股票价格预测：同时考察股票价格预测准确度与技术投资经济可行性。 - 面向稳健金融预测的改进验证框架：融合多分辨率 Transformer 与情绪感知图神经网络：以小波分解结合多分辨率 Transformer，联合描述长短期价格动态。 - **高频数据特征工程**：2 条 - 结合知识库积累与多智能体大语言模型的自改进量化交易 Alpha 挖掘：将 WorldQuant 101 公式型 Alpha 系统整合为生成先验 - 人工智能在量化交易中的应用流程、前景与风险治理：按数据采集至交易执行的完整流程组织人工智能应用综述。 ### 重点亮点 - **评估审计与风险控制** / 价格与交易动态的可解释深度学习：从黑箱预测到有效参数模型：把神经网络解释结果转化为简约非线性参数模型 - **评估审计与风险控制** / 用于预测限价订单簿趋势的量子加权移动平均：以酉算子线性组合构建可学习的量子移动平均 - **高频数据特征工程** / 结合知识库积累与多智能体大语言模型的自改进量化交易 Alpha 挖掘：将 WorldQuant 101 公式型 Alpha 系统整合为生成先验 - **金融时序预测模型** / 用于金融市场波动率预测的混合深度学习框架：结合 TCN、双向 LSTM 与多头注意力建模多尺度波动 - **金融时序预测模型** / 面向投资决策的机器学习股票价格预测：同时考察股票价格预测准确度与技术投资经济可行性。 ## 本周精选阅读清单 为保证每周有足够可读内容，本区按“本周新增主榜、观察池精选、历史高价值复盘、常青资料轮播”补足；主榜仍只代表严格新增 idea。 1. **本周新增主榜** `29` [Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models](https://doi.org/10.48550/arxiv.2609.06085)；本周新增且通过强量化相关性门槛 2. **本周新增主榜** `25` [Quantum Weighted Moving Average for Predicting Limit Order Book Trends](https://doi.org/10.48550/arxiv.2609.01524)；本周新增且通过强量化相关性门槛 3. **本周新增主榜** `24` [Self-improving alpha mining for quantitative trading via multi-agent large language models with knowledge base accumulation](https://doi.org/10.1016/j.mlwa.2026.100987)；本周新增且通过强量化相关性门槛 4. **本周新增主榜** `24` [A hybrid deep learning framework for volatility prediction in financial markets](https://doi.org/10.1038/s41598-026-70301-2)；本周新增且通过强量化相关性门槛 5. **本周新增主榜** `9` [AQuA: Recursively Self-Improving Quantitative Trading Research Agents](https://doi.org/10.48550/arxiv.2608.12841)；本周新增且通过强量化相关性门槛 6. **本周新增主榜** `9` [Modeling Inter-Firm Dependencies with Temporal Graph Neural Networks for Stock Price Prediction](https://doi.org/10.1016/j.ject.2026.09.001)；本周新增且通过强量化相关性门槛 7. **本周新增主榜** `9` [Stock Market Price Prediction Using Machine Learning Algorithms for Investment Decision-Making](https://doi.org/10.64751/ajaccm.2026.v6.n3.872)；本周新增且通过强量化相关性门槛 8. **本周新增主榜** `5` [Artificial Intelligence in Quantitative Trading: Application Pipeline, Prospects, and Risk Governance](https://doi.org/10.54254/2755-2721/2026.36597)；低于主阈值 6，但作为本周新增方法补充 9. **本周新增主榜** `9` [An Improved Validation Framework Using Multi-Resolution Transformers and Sentiment-Aware Graph Neural Networks for Robust Financial Forecasting](https://doi.org/10.3837/tiis.2026.08.004)；主榜不足 10 篇，从观察池补充：弱金融锚点，缺少订单簿/收益/因子等硬锚点 10. **本周新增主榜** `5` [An optimal hybrid framework for carbon price prediction using time series analysis](https://doi.org/10.1007/s44163-026-01368-z)；主榜不足 10 篇，从观察池补充：方法或泛金融相关，但缺少量化硬锚点 11. **历史高价值复盘** `19` [Evolutionary Alpha Factor Discovery with Large Language Models for Sparse Portfolio Optimization](https://openreview.net/forum?id=Zs3ZXwfaIu)；历史周报已收录，移入常青资料 12. **历史高价值复盘** `17` [Automate Strategy Finding with LLM in Quant Investment](https://aclanthology.org/2025.findings-emnlp.1005/)；历史周报已收录，移入常青资料 13. **历史高价值复盘** `9` [Comparative Analysis of LSTM, GRU, and Transformer Models for Stock Price Trend Prediction](https://arxiv.org/abs/2411.05790)；历史周报已收录，移入常青资料 14. **历史高价值复盘** `9` [LENS: Large Pre-trained Transformer for Exploring Financial Time Series](https://arxiv.org/abs/2408.10111)；历史周报已收录，移入常青资料 15. **常青资料轮播** `0` [金融科技系统中的自适应风险评估：基于强化学习的连续策略优化](https://doi.org/10.62762/jse.2026.605759)；历史高频资料 ## 按类别整理的候选想法 ## AI 辅助因子生成 ### IDEA-2026-W38-dae2c2f8 — AQuA：递归自我改进的量化交易研究智能体 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://doi.org/10.48550/arxiv.2608.12841 - 原题: AQuA: Recursively Self-Improving Quantitative Trading Research Agents - 研究轴: 因子生成 / 表示学习 - 管线落点: LLM 因子生成 - 角色: `因子生成 / prompt 候选` - 原文证据: `已读 PDF`；摘要质量: `高`；摘要长度: `987` 字 研究亮点: - 把递归自我改进明确限定为固定实验规则下的研究决策改进。 - 以受限表达式和配置差异约束智能体，把数据路径与评估器置于搜索权限之外。 - 分别展示加密资产因子发现和美国股票模型开发的独立研究闭环。 - 补充严格滚动前推结果，并明确测试隔离仍需治理与审计。 文章摘要: AQuA研究量化投资研究过程能否实现递归自我改进：自主系统是否能够从此前实验中保留经过验证的证据，并据此改善下一轮提出的假设与候选方案。论文的出发点是，量化研究中的时间对齐错误、未来信息泄漏、测试集选优或特定行情依赖，都可能产生看似优秀却无法复现的回测。对于持续迭代的语言模型智能体，这类错误还可能被存入记忆，作为成功经验影响后续搜索，使递归过程放大错误。作者因此强调，仅靠提示词约束或另一个模型审查代码，不足以建立可靠的实验完整性边界。论文提出两个相互独立的研究系统，分别负责符号因子发现与可训练模型开发。二者不共享智能体、记忆、候选空间或研究状态，各自完成提出假设、构造或训练、评估、验证、筛选或组合以及更新持久研究状态的闭环。这里的自我改进有明确限定：改进的是固定实验规则下的研究决策，而不是让系统自行修改成功标准。每个系统均使用封闭实验沙箱，在自主迭代开始前固定数据划分、特征与标签定义、数据处理路径及评估器；智能体只能提交受限因子表达式或配置差异，不能通过任意实验代码绕过这些约束。其核心设计是在候选搜索上保留自由，同时把评估规则置于自适应修改范围之外。因子系统采用管理器协调的多智能体流程，提出可证伪的经济假设，评估并组合通过验证的信号，再将实验证据保留至后续轮次。在加密资产集合上，组合信号的信息系数约为0.190。模型系统围绕混合时序架构开展配置驱动的迭代，每次配置差异定义一个可比较的模型变体，并用实验结果指导下一次提议。在美国股票实验中，其逐股票信息系数达到0.0843，同一评估器下最强基线GRU为0.0613，绝对提高0.0230，相对提高37.5%。由预测构造的阈值多空策略，在双边交易成本为2个基点的设定下，留出评估夏普比率最高为2.50，2021至2025年各年表现均为正。更严格的滚动前推评估要求模型与策略参数仅依据下一测试区间之前可获得的数据确定，此时夏普比率仍约为2.0。论文同时区分了两种保护强度：受限操作空间对数据和特征路径形成结构性约束，但最终测试窗口不参与选优仍依赖封闭协议与操作纪律。搜索期间仅返回验证分数，并不意味着能从技术上阻止拥有底层数据访问权的操作者查看测试集。因此，测试隔离需要运行审计，不能视为不可绕过的保证。现有摘录未展示完整数据规模、混合架构细节及全部消融实验，结论应限定在文中报告的两套独立系统及其评估设置内。 背景: 量化研究容易受到未来信息泄漏、测试集选优与行情依赖影响。语言模型智能体如果将存在缺陷的高分实验存为成功经验，持续迭代可能放大方法错误，因此自主研究需要超出提示词和模型审查的实验约束。 逻辑: 固定数据处理、特征标签、数据划分和评估器，只允许智能体在受限候选空间中搜索；经过验证的实验更新研究记忆，研究记忆再指导后续提议，使研究决策逐步改善，同时保持评价标准稳定。符号因子发现与模型开发分别闭环运行。 方法: 因子系统使用管理器协调的多智能体流程，完成经济假设提出、受限表达式构造、评估验证、信号组合与跨轮次证据保留。模型系统对混合时序架构提交配置差异，训练评估可比较的模型变体并更新研究状态。两套系统均采用封闭沙箱；搜索时返回验证分数，并报告留出评估及更严格的滚动前推评估。测试隔离另需依靠协议和运行审计。 数据: 符号因子系统在加密资产集合上评估，模型开发系统在美国股票上评估；模型策略报告了2021至2025年的逐年表现。摘录未提供资产数量、采样频率、完整训练验证测试区间或具体特征清单。 结果: 加密资产组合因子的信息系数约为0.190。美国股票模型的逐股票信息系数为0.0843，同一评估器下最强基线GRU为0.0613，绝对提升0.0230，相对提升37.5%。阈值多空策略在双边2个基点成本设定下，留出评估夏普比率最高为2.50，2021至2025年各年表现均为正；更严格的滚动前推评估夏普比率约为2.0。这些指标分别来自两套独立系统，不能作为同一组合策略的结果合并解释。 高频特征工程关注点: 文章未提出具体的订单簿特征，主要启发在于约束特征生成权限：可将订单不平衡、主动买卖、微价格、价格层记忆、队列状态和成交时长封装为具有明确可用时刻与历史窗口限制的基础算子，再允许受限表达式组合。事件时间和横截面状态的对齐规则应由固定执行层实施，避免候选生成过程修改数据可见范围。这属于方法迁移建议，论文摘录没有验证这些高频特征。 研究启发: LLM因子管线可借鉴受限表达式与封闭评估器的权限划分：OB/SF及sidecar读取、时间对齐、标签构造和数据划分由固定执行层管理，智能体仅提交候选表达式。MLP/LGB/Linear模型搜索可使用预先定义的配置差异空间，并在同一评估协议内比较。因子发现与模型搜索可分别维护候选、记忆和实验记录，只有通过数据契约与评估检查的结果才能回写为有效经验。还需单独记录测试集访问与策略参数选择过程，不能把代码层的限制等同于测试集从未参与决策。论文结果不能直接证明这些安排在高频任务上的预测或收益提升。 管线落点: 可作为 LLM prompt、taxonomy 或人工研究背景；候选 routes: llm_factor_pipeline。 可能增益: 潜在增益待人工确认，当前不建议直接进入训练或回测。 ## 评估审计与风险控制 ### IDEA-2026-W38-472c745e — 价格与交易动态的可解释深度学习：从黑箱预测到有效参数模型 - 优先级: `high` - 状态: `candidate` - 来源: OpenAlex LOB and Market Microstructure - 链接: https://doi.org/10.48550/arxiv.2609.06085 - 原题: Explainable Deep Learning for Price-Trade Dynamics: From Black-Box Forecasts to Effective Parametric Models - 研究轴: 数据坐标 / 高频状态, 模型训练 / 序列预测, 评估审计 / 可比性 - 管线落点: 回测与可比性审计, 数据 sidecar / 高频衍生数据, Linear/Ridge baseline - 角色: `评估审计 / 可比性候选` - 原文证据: `已读 PDF`；摘要质量: `高`；摘要长度: `981` 字 研究亮点: - 把神经网络解释结果转化为简约非线性参数模型 - 识别成交量饱和响应与收益状态控制的延续、衰减和反转 - 多滞后指数衰减表达兼顾短期主导结构与剩余记忆 - 残差诊断区分主要方向依赖与残留波动幅度依赖 文章摘要: 本文研究高频市场中价格收益与带符号成交量的联合动态，重点解释订单流持续性、非线性价格冲击以及短期收益反转之间的关系。传统向量自回归模型具有可解释性，但线性函数形式难以表达状态依赖；神经网络能够学习更复杂的关系，却通常缺乏清晰的经济解释。作者因此将神经网络作为发现结构的工具，再把解释结果转化为简洁的参数模型，以兼顾预测能力和机制表达。研究以逐笔成交时间为坐标，将成交前中间价的相邻对数变化定义为收益，并用历史收益和历史带符号成交量预测收益与成交量。预测方程仅纳入滞后变量，当期成交量对当期收益的关系不作为显式输入，而留在残差中处理。作者在大跳动单位和小跳动单位股票上训练深度前馈网络，并与线性 VAR 比较。摘录列出的十只股票包括 BAC、CMCSA、CSCO、INTC、PFE，以及 AAPL、AMZN、GILD、NVDA、TSLA，但没有展示完整采样日期、样本规模和训练测试划分。结果显示，神经网络改善了预测表现，尤其是收益预测。Shapley 解释表明，主要贡献集中在最近几个滞后；网络隐含的响应与数据重建的条件均值一致，而解释分解能够进一步区分不同回归变量对总体依赖的贡献。滞后带符号成交量呈现保持符号且逐渐饱和的作用，体现非线性价格冲击与订单流持续性。滞后收益则承担状态变量的作用：上一笔交易没有引起价格变化时，预测倾向于沿过去订单流方向延续；上一期收益非零时，则出现衰减或反转。这说明收益和成交量的关系需要同时考虑成交方向、规模及价格是否已经响应。据此，作者构建 SHAP 启发的非线性参数模型，将成交量的饱和函数与由滞后收益幅度、过去订单流符号共同决定的状态修正结合。该模型优于线性 VAR，预测表现接近神经网络，对滞后阶数的选择也更稳定。多滞后扩展采用指数衰减参数化吸收较长历史中的剩余信息；GILD 的样本内外 R² 随滞后增加很快趋于平缓，支持短期非线性记忆占主导的判断。附录还用分箱条件均值估计残差间的当期投影。修正后，大、小跳动单位组的平均残差 Pearson 相关分别由 0.289、0.317 降至 0.0113、0.0104，主要方向依赖明显减弱，但绝对残差仍保留一定相关性。文章的突出贡献是形成从灵活预测、解释分析到简约模型构造的完整路径；这些结果支持统计依赖的结构化表达，但不能单凭解释分解和残差去相关就认定因果机制或残差独立。 背景: 价格变化由主动交易与可用流动性的相互作用产生，并伴随订单流持续性、暂态价格冲击和短期收益反转。线性 VAR 等传统模型易于解释，却可能遗漏非线性及状态依赖；深度学习的预测灵活性又带来透明度问题。文章希望把神经网络学习到的关系转化为具有经济含义的参数表达。 逻辑: 先用神经网络识别超出线性 VAR 的预测结构，再以 Shapley 贡献和经验条件均值检查主要滞后及响应形状，最后据此构造简约非线性模型。核心关系是带符号成交量的保符号饱和作用，以及滞后收益状态对订单流延续、衰减或反转的调节。 方法: 以逐笔成交时间定义收益和带符号成交量的联合滞后预测，比较深度前馈网络与线性 VAR；通过 Shapley 分解识别变量贡献，并与数据条件均值对照。参数模型结合成交量饱和响应与收益状态修正，多滞后版本用指数衰减吸收剩余记忆。另以分箱条件均值估计成交量残差对收益残差的投影，检查修正前后的 Pearson、Spearman 及非线性变换相关性。预测方程未显式纳入当期成交量。 数据: 使用大、小跳动单位股票的高频中间价收益和带符号成交量。附录大跳动单位组为 BAC、CMCSA、CSCO、INTC、PFE，小跳动单位组为 AAPL、AMZN、GILD、NVDA、TSLA。时间坐标为逐笔成交，价格取成交前中间价；摘录未展示完整数据来源、采样日期、样本量和训练测试划分。 结果: 神经网络优于线性 VAR，收益预测的改善尤其明显；SHAP 启发的非线性参数模型优于 VAR，并达到接近神经网络的预测表现。最近滞后贡献占主导，GILD 的多滞后模型样本内外 R² 随阶数增加迅速饱和。多滞后参数模型的残差结构修正使大、小跳动单位组平均 Pearson 相关分别从 0.289、0.317 降至 0.0113、0.0104，平均 Spearman 相关从 0.369、0.417 降至 -0.0108、-0.0322；修正后的绝对残差相关仍为 0.096、0.031，表明部分波动幅度依赖尚存。摘录没有提供完整预测性能表或可交易收益结果。 高频特征工程关注点: 可检验以成交事件为坐标的近期带符号成交量、保符号饱和变换、上一事件收益是否为零、收益绝对值，以及收益状态与过去成交方向的交互特征。长记忆部分可比较少量指数衰减汇总与逐阶展开，并按大、小跳动单位分别检查响应形状。实施时需严格核对成交前中间价、成交方向及预测标签的时间对应，避免把当期成交量误作为已知滞后量。订单不平衡、微价格和队列状态属于可进一步验证的扩展，并非本文摘录已经验证的特征。 研究启发: 可在 OB/SF 数据上先核对逐笔成交与成交前盘口的对应关系，再以 sidecar 输出滞后带符号成交量、零收益状态、收益幅度及其交互项。对 Linear/Ridge，可增加显式饱和基函数和状态交互，作为线性 VAR 之外的可解释基准；对 MLP 与 LGB，可在相同股票、时间切分、输入历史和预测目标下比较其额外非线性收益，并检查解释形状是否稳定。LLM 因子管线可把这些响应关系作为候选生成约束，但每个候选仍需独立样本外验证。残差方向相关和波动幅度相关应分开审计，不能把 SHAP 贡献或去相关结果当作因果证据。 管线落点: 优先进入审计/评估方法库，服务 baseline 可比性和 SFT/BT 可信度；候选 routes: backtest_audit, data_processing_sidecar, linear_codeX。 可能增益: 潜在增益在于减少不可比实验、泄露和过拟合带来的误判，让 SFT/BT 结论更可信。 ### IDEA-2026-W38-0b9a3d42 — 用于预测限价订单簿趋势的量子加权移动平均 - 优先级: `high` - 状态: `candidate` - 来源: OpenAlex LOB and Market Microstructure - 链接: https://doi.org/10.48550/arxiv.2609.01524 - 原题: Quantum Weighted Moving Average for Predicting Limit Order Book Trends - 研究轴: 数据坐标 / 高频状态, 模型训练 / 序列预测, 评估审计 / 可比性 - 管线落点: 回测与可比性审计, LLM 因子生成, MLP 时序预测 - 角色: `评估审计 / 可比性候选` - 原文证据: `已读 PDF`；摘要质量: `高`；摘要长度: `1045` 字 研究亮点: - 以酉算子线性组合构建可学习的量子移动平均 - 归一化消融揭示局部价格变化的尺度问题 - 合适归一化下时间注意力的额外增益较小 - 量子模型在较长预测跨度接近经典基准，但未证明量子优势 文章摘要: 本文探讨量子计算模型能否用于限价订单簿多变量时间序列的价格趋势预测。订单簿记录买卖各档价格与数量的变化，既包含跨特征的尺度差异，也包含时间维度上的预测信息。作者从经典模型中的输入归一化和时间注意力出发，提出量子加权移动平均模型 QWMA，尝试把移动平均这一简洁思想转化为可学习的经典—量子混合架构。研究重点是检验这种结构能否有效聚合有预测力的历史片段，作者明确表示没有提供量子优势的证据。模型包含两个主要环节：先在经典计算部分对特征维度和时间维度进行归一化，再将各时间步的经典特征编码为酉算子，通过酉算子的线性组合构建加权聚合层。时间权重作为可训练参数，使模型能够选择较有预测价值的历史位置。文章还讨论均匀权重的量子简单移动平均 QSMA，以及与指数移动平均相关的 QEMA，并给出 QEMA 的高效实现构造。实验使用 FI-2010 基准和另一套中国 A 股数据，所提供摘录的详细比较集中在 FI-2010。作者以 TABL 和经典多层感知机为对照，考察双线性归一化、时间归一化、特征归一化和不归一化四种设置，使用 F1 分数比较 K 为 1、2、3、5、10 的五个预测跨度。归一化消融是文章的重要发现：TABL 在时间归一化和双线性归一化下表现相近，两者均明显改善预测；仅做特征归一化并未产生同样效果。训练集窗口内，成交量类特征的平均方差为 0.6481，价格类特征仅为 0.0007，作者据此认为，时间归一化可能通过放大局部微小价格变化，提高其数值上的可见性。在合适的时间或双线性归一化下，TABL 的时间注意力带来的增益较小，与多层感知机在大多数预测跨度上表现接近；在缺少这类归一化时，注意力的优势更明显。量子实验采用长度为 10 的输入序列，以六个量子比特、两层电路嵌入每个特征向量，并训练时间权重。优化设置包括批量大小 256、Adam 学习率 0.002 和余弦退火。QWMA 在较长跨度 K 为 5、10 时接近经典基准，在较短跨度 K 为 1、2、3 时略弱，时间归一化与双线性归一化下的表现同样相近。针对均匀权重 QSMA，作者比较不同嵌入电路及二、四、六个量子比特设置，并因初始化波动采用五个随机种子报告均值和标准差。所示实验中 QSMA 均弱于 QWMA，支持可学习时间权重的作用。文章的价值既在于提出量子时间聚合结构，也在于揭示输入归一化对架构比较的影响。摘录没有展示 A 股实验的具体股票、切分和结果，也不足以推断真实量子硬件上的速度、成本优势或交易盈利能力。 背景: 限价订单簿趋势预测需要处理买卖价格与数量构成的多变量序列，经典方法已使用神经网络、时间注意力和归一化技术。相较于组合优化、风险分析及衍生品定价，量子模型在订单簿趋势预测上的研究较少，如何将经典预处理和时间信息聚合引入量子架构仍是开放问题。 逻辑: 先用经典基准拆解归一化与时间注意力的贡献，再把移动平均扩展为基于酉算子线性组合的可学习量子时间聚合。通过比较可训练权重与均匀权重模型，检验选择历史时间步是否有助于预测；同时在一致的归一化设置下比较经典与量子模型，避免把预处理差异混同于架构优势。 方法: QWMA 先执行经典输入归一化，再以参数化量子电路对各时间步的特征向量进行酉嵌入，用酉算子的线性组合实现加权聚合，时间权重可训练。摘录中的量子实验使用 10 步输入、六个量子比特和两层嵌入电路，初态为计算基零态；训练采用批量大小 256、Adam 学习率 0.002 和余弦退火。经典消融比较 TABL 与多层感知机在四种归一化下的 F1。QSMA 使用均匀时间权重，比较不同电路与量子比特数，并以五个随机种子评估波动；文章另提出与指数移动平均相关的 QEMA。 数据: 研究使用 FI-2010 限价订单簿基准及另一套中国 A 股数据。摘录详细展示 FI-2010 上 K∈{1,2,3,5,10} 的五个预测跨度，量子模型输入窗口为 10 个时间步。训练集窗口内成交量类特征和价格类特征的平均方差分别为 0.6481、0.0007。摘录未展示 A 股股票名单、样本规模、具体时间范围及完整训练测试划分，也未明确这些预测跨度对应的实际时长。 结果: 在所示 FI-2010 实验中，时间归一化和双线性归一化显著改善经典模型表现；使用合适归一化后，TABL 与多层感知机在 K∈{1,3,5,10} 上表现接近，多层感知机在 K=2 时略弱。QWMA 在 K∈{5,10} 时接近经典基准，在 K∈{1,2,3} 时略弱。均匀权重 QSMA 在所示两类电路及各预测跨度上均弱于 QWMA，并存在随机初始化波动。作者明确未证明量子优势；摘录未给出可准确逐项转录的 F1 数值、A 股结果或 QEMA 性能结论。 高频特征工程关注点: 可优先检查盘口价格与数量在历史窗口内的方差差异，分别比较时间维度归一化、特征维度归一化及两者结合，避免微小价格变化被数量尺度掩盖。时间聚合可对照均匀移动平均、指数移动平均和可学习权重，并按预测跨度检查收益是否稳定。用于微价格、订单不平衡、盘口形态或主动买卖序列时，应分别评估归一化是否改变有意义的绝对状态；这些具体衍生特征属于扩展建议，文章摘录并未验证。 研究启发: 可在 OB/SF 输入上设计“归一化方式×时间聚合方式×预测跨度”的对照实验，先用 Linear、MLP 和 LGB 检验经典预处理与时间摘要的贡献。sidecar 可生成仅依赖已观测历史窗口的标准化价格变化、数量变化及不同衰减速度的时间汇总，并明确保存窗口和尺度定义。LLM 因子管线可围绕有限组时间权重与归一化组合生成候选，控制搜索规模并保留独立测试集。比较复杂模型时应统一股票范围、时间切分、标签和归一化，报告多随机种子的分类指标；论文的 F1 结果不能直接替代交易成本后的收益验证，也没有提供必须引入量子计算的证据。 管线落点: 优先进入审计/评估方法库，服务 baseline 可比性和 SFT/BT 可信度；候选 routes: backtest_audit, llm_factor_pipeline, mlp_codeX。 可能增益: 潜在增益在于减少不可比实验、泄露和过拟合带来的误判，让 SFT/BT 结论更可信。 ## 金融时序预测模型 ### IDEA-2026-W38-fdc6e9bc — 用于金融市场波动率预测的混合深度学习框架 - 优先级: `high` - 状态: `candidate` - 来源: OpenAlex Semantic Works Search - 链接: https://doi.org/10.1038/s41598-026-70301-2 - 原题: A hybrid deep learning framework for volatility prediction in financial markets - 研究轴: 模型训练 / 序列预测, 评估审计 / 可比性, 因子生成 / 表示学习 - 管线落点: MLP 时序预测, 回测与可比性审计, LGB 融合与筛选 - 角色: `评估审计 / 可比性候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `888` 字 研究亮点: - 结合 TCN、双向 LSTM 与多头注意力建模多尺度波动 - 使用 23 年多资产数据并比较十二个基准模型 - 单独检验高波动阶段、市场过渡阶段及跨资产表现 - 将消融、解释分析与风险及交易应用共同纳入评估 文章摘要: 本文提出面向金融市场波动率预测的混合深度学习框架 FinAnalyzeNet，旨在同时刻画短期波动、长期时间依赖及市场状态变化。研究将多尺度建模、泛化能力、实证验证和可解释性作为主要目标，尝试通过不同网络组件的组合处理波动率演化中的复杂时间结构。架构使用时间卷积网络（TCN）提取多尺度特征，采用双向 LSTM 捕捉较长时间范围的依赖关系，并引入多头注意力机制识别波动率演化中的关键时点。三类组件分别承担尺度提取、序列依赖建模和时间信息选择的作用，共同支持对短期起伏与长期模式的预测。实验覆盖长达 23 年的市场数据，资产类别包括股票指数、个股、货币对和大宗商品，并与十二个基准模型比较，涵盖传统计量方法、机器学习、深度学习及其他混合架构。摘要报告，FinAnalyzeNet 的均方根误差（RMSE）改善 11.8%，方向准确率达到 84.7%；Diebold–Mariano 检验显示，各项比较均在 1% 水平上具有统计显著性。分市场状态分析中，高波动阶段和状态过渡阶段分别报告 16.3% 与 19.1% 的性能改善，跨资产验证的改善幅度为 9.7%—13.5%。这些结果被作者用于支持框架对不同金融工具及市场状态的适应能力，但摘要没有逐一说明各改善比例对应的基准和指标口径。论文还考察风险与交易应用，报告风险价值（VaR）预测的违约率为 4.9%，相关交易策略 Sharpe 比率为 1.42，并称期权定价准确性得到改善。由于材料未披露 VaR 名义置信水平、策略成本及期权定价误差数值，这些应用结果的具体含义仍需结合完整实验设置判断。可解释性分析将近期波动率指标和技术指标合计归因于 58% 的预测决策贡献，成交量特征与宏观经济变量提供补充信息；摘要同时称消融实验支持各架构组件对整体性能的贡献。文章亮点是将架构比较、市场状态分析、跨资产验证、经济应用和解释分析纳入同一评估框架。本次抓取内容为网站访问挑战提示，因此以上依据提供的摘要，尚不能核验采样频率、波动率标签、预测期限、时间切分及双向网络输入的时点可用性，也不能把其方向准确率直接解释为资产收益方向预测能力。 背景: 金融市场波动率同时具有短期变化、长期依赖和市场状态差异，预测框架需要兼顾多尺度时间结构、泛化能力与可解释性。论文据此提出 FinAnalyzeNet，并开展多资产和分市场状态验证。 逻辑: 通过 TCN、双向 LSTM 与多头注意力的功能互补，将多尺度特征提取、长期依赖建模和关键时点识别结合起来，再用基准比较、状态分组、跨资产验证及消融实验检验整体架构与组件价值。 方法: FinAnalyzeNet 集成时间卷积网络、双向 LSTM 和多头注意力。评估覆盖十二个基准模型，使用 RMSE、方向准确率及 Diebold–Mariano 检验，并开展高波动和市场过渡阶段分析、跨资产验证、特征重要性分析和组件消融，同时考察 VaR、交易策略与期权定价应用。 数据: 实验使用覆盖 23 年的多资产市场数据，包括股票指数、个股、货币对和大宗商品。摘要提及近期波动率指标、技术指标、成交量特征及宏观经济变量，但未披露具体起止日期、标的列表、采样频率、数据来源、预测期限或样本切分。 结果: 摘要报告 RMSE 改善 11.8%、方向准确率 84.7%，各项基准比较的 Diebold–Mariano 检验均在 1% 水平显著；高波动阶段与过渡阶段分别改善 16.3% 和 19.1%，跨资产改善幅度为 9.7%—13.5%。应用结果包括 VaR 违约率 4.9%、交易策略 Sharpe 比率 1.42，以及未量化的期权定价准确性改善。近期波动率指标与技术指标合计占预测决策贡献的 58%，消融实验被报告为支持各组件的有效性。以上数值均来自提供的摘要，部分比较基准和统计口径未披露。 高频特征工程关注点: 可借鉴多尺度时间建模思路，为订单不平衡、主动买卖强度、微价格偏离及队列变化构造多个回看窗口，并分别检验成交时长、事件时间与固定时间采样的影响。价格层记忆和盘口形态特征可按波动状态分组检查稳定性。上述属于高频研究延伸，文章材料只明确提及波动率、技术指标、成交量和宏观变量。 研究启发: 对我们的 MLP、LGB 和 Linear 波动率预测实验，可先固定相同标签、预测期限、时间切分及 OB/SF/sidecar 输入，再评估多尺度序列模型是否提供增量，并用组件消融区分结构收益与新增特征收益。若使用双向 LSTM，整个输入窗口必须截止于预测时点；宏观数据和横截面状态也需按实际可得时间对齐。可让 LLM 因子管线提出具有明确含义的多尺度候选，再在独立测试集上检查高波动、状态过渡及不同标的中的稳定性。收益预测与波动率预测应分别定义目标，不能将文中 84.7% 的方向准确率直接作为收益方向任务的比较基准。 管线落点: 优先进入审计/评估方法库，服务 baseline 可比性和 SFT/BT 可信度；候选 routes: mlp_codeX, backtest_audit, lgb_codeX。 可能增益: 潜在增益在于减少不可比实验、泄露和过拟合带来的误判，让 SFT/BT 结论更可信。 ### IDEA-2026-W38-0515e54d — 面向投资决策的机器学习股票价格预测 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex AI Factor Generation - 链接: https://doi.org/10.64751/ajaccm.2026.v6.n3.872 - 原题: Stock Market Price Prediction Using Machine Learning Algorithms for Investment Decision-Making - 研究轴: 模型训练 / 序列预测, 因子生成 / 表示学习 - 管线落点: Linear/Ridge baseline, LLM 因子生成, MLP 时序预测 - 角色: `模型训练 / 融合候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `767` 字 研究亮点: - 同时考察股票价格预测准确度与技术投资经济可行性。 - 比较线性回归、SVR、随机森林和LSTM四类算法。 - 结合五年成本收益评价与Nifty 50基准组合比较。 - 摘要报告LSTM的MAPE为2.1%，但未展示完整验证细节。 文章摘要: 本文研究机器学习股票价格预测在零售与机构投资组合管理中的经济可行性和运营效率。其背景是金融市场价格序列具有非平稳性、噪声和复杂的非线性关系，预测模型既需要提高价格预测准确度，也需要证明技术投入能够带来足够的经济回报。因此，文章同时关注预测模型的表现，以及将预测用于投资组合管理之后的成本收益关系，把模型评估与技术投资的财务评价联系起来。方法上，研究考察线性回归、支持向量回归（SVR）、随机森林和长短期记忆网络（LSTM）四类算法在实时价格预测中的应用，并以平均绝对百分比误差（MAPE）报告预测表现。经济评价覆盖2021—2025年的五年规划期，考虑技术建设的资本支出、运营维护成本，以及股票价格预测和投资组合优化带来的净财务收益；采用净现值（NPV）、内部收益率（IRR）、投资回收期（PBP）和收益成本比（BCR）判断投资的长期盈利能力。摘要报告，LSTM在所比较模型中预测准确度最高，MAPE为2.1%；机器学习优化的投资组合在五年规划期内持续取得相对Nifty 50指数的超额收益，并报告正净现值392.4 crore和45.1%的内部收益率。作者据此认为，将机器学习纳入投资决策对银行和资产管理业务具有较高的财务可行性，并能够产生显著的风险调整后回报。文章值得关注的特点，是将预测误差、组合表现和系统建设维护成本放在同一研究议题下，使模型效果与投资价值形成联系。不过，所提供网页内容主要是重复的摘要，并未展示完整实验与现金流测算：样本股票范围、行情频率、预测期限、训练测试划分、组合构建规则、交易成本处理及风险调整指标均不明确，其他模型的误差和PBP、BCR数值也未列出。净现值的币种及折现假设同样未明确。因此，上述数值应理解为作者报告的结果，现有摘录不足以核验其样本外稳健性，也不足以确认所谓实时预测对应的具体交易频率。 背景: 股票价格预测面临非平稳性、噪声和复杂非线性关系。零售与机构投资组合管理采用机器学习时，除预测准确度外，还需要评估技术建设、运营维护与投资收益之间的经济关系。 逻辑: 将价格预测模型的效果评价与技术投资的成本收益分析结合：先比较机器学习算法的预测表现，再考察机器学习优化组合相对基准的表现，并通过长期现金流评价指标判断投资可行性。 方法: 考察线性回归、SVR、随机森林和LSTM用于实时股票价格预测，以MAPE衡量预测准确度；在2021—2025年规划期内评估资本支出、运营维护成本与净财务收益，并采用NPV、IRR、PBP和BCR进行财务评价。摘要未提供模型超参数、数据划分和组合优化算法。 数据: 成本收益评价的规划期为2021—2025年，投资组合比较基准为Nifty 50指数。摘录未说明原始行情数据来源、样本股票、采样频率、样本规模及训练测试区间，不能将五年规划期直接视为已确认的行情样本期。 结果: 作者报告LSTM在比较模型中表现最好，MAPE为2.1%；机器学习优化组合在五年规划期内持续获得相对Nifty 50指数的超额收益，NPV为392.4 crore，IRR为45.1%。摘录未明确NPV币种，未列出其他模型的误差、超额收益明细、PBP或BCR数值，也未提供足以核验风险调整后收益的统计量。 研究启发: 可借鉴其同时评估预测效果与经济成本的研究思路，为Linear、MLP和LGB设置一致的数据范围、标签、时间划分与成本假设，分别报告预测指标、组合净收益和计算维护成本。LLM因子管线的候选因子评估也可纳入增量数据与计算成本。文章没有提供OB、SF或sidecar特征证据，不能据其LSTM结果推断具体高频特征有效，也不能将价格MAPE直接解释为收益预测能力或可交易性。 管线落点: 优先作为 MLP/LGB/Linear 的训练或融合实验，不直接改变因子数据；候选 routes: linear_codeX, llm_factor_pipeline, mlp_codeX。 可能增益: 潜在增益在于提升多 horizon 序列预测稳定性，或改善 MLP/LGB/Linear 对 sidecar/context 特征的吸收方式。 ### IDEA-2026-W38-c96312ac — 面向稳健金融预测的改进验证框架：融合多分辨率 Transformer 与情绪感知图神经网络 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://doi.org/10.3837/tiis.2026.08.004 - 原题: An Improved Validation Framework Using Multi-Resolution Transformers and Sentiment-Aware Graph Neural Networks for Robust Financial Forecasting - 研究轴: 模型训练 / 序列预测, 因子生成 / 表示学习 - 管线落点: MLP 时序预测 - 角色: `模型训练 / 融合候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `784` 字 研究亮点: - 以小波分解结合多分辨率 Transformer，联合描述长短期价格动态。 - 通过金融图神经网络建模情绪影响与跨公司传播。 - 引入 GAN 合成危机场景，覆盖罕见不利市场条件。 - 将状态自适应信息融合连接到多阶段投资组合决策。 文章摘要: 本文围绕股票价格预测中的多尺度动态、情绪传播与极端市场冲击，提出融合五类技术的混合预测模型，希望同时改善预测表现、风险条件下的稳健性及投资组合绩效。作者认为，传统模型难以兼顾不同时间尺度的价格变化，而部分现有 Transformer 架构采用的数据模态较为单一，对公司之间动态传播的情绪及高波动环境适应不足。因此，研究不仅关注价格序列的表示，也把跨公司情绪关联、尾部情景训练和投资决策纳入整体框架。第一部分是结合小波分解的多分辨率 Transformer，简称 MR-TWD：通过在不同频带处理股票价格信号，提取长期与短期市场动态。第二部分是情绪感知金融图神经网络 SA-FGNN，用于量化情绪影响，并围绕公司之间的关联刻画情绪传播。第三部分利用生成对抗网络构造合成市场危机场景，增加模型对罕见不利条件和尾部风险事件的训练覆盖。第四部分 TMF VA 将股票数据、情绪信号和波动率指标进行融合，通过自适应注意力随市场条件变化重新分配输入特征的权重。第五部分 CRL-PO 面向多阶段投资组合配置，引入对比信号识别高收益策略，形成考虑风险调整的买入与卖出决策。整体思路是连接多频率价格表示、关系信息、极端情景与组合决策，使预测和投资表现共同成为评价对象。摘要报告，预测指标 R² 提升 10%，情绪相关性提升 8%，以 Sharpe Ratio 表述的稳健性指标提升 25%，累计收益提升 7.8%。这些数值属于作者报告的改善幅度，所提供页面没有交代对应基线、绝对指标水平，也未明确百分比与百分点的口径。可读材料为期刊详情页及摘要，未展示具体市场、样本区间、数据频率、情绪来源、预测期限、训练测试划分或模块消融结果。因此，能够确认的亮点是多尺度、情绪关系、尾部情景和投资组合优化的一体化设计；各模块的独立贡献、统计显著性，以及收益是否计入交易成本，仍无法从现有摘录确定。 背景: 股票价格同时受到不同时间尺度的市场变化、公司间情绪传播和突发冲击影响。作者指出，传统预测方法及部分采用单一数据模态的 Transformer 难以充分捕捉这些因素，在高波动条件下表现不足。 逻辑: 先利用多频带表示捕捉长短期价格动态，再加入情绪关系建模与危机场景训练，随后根据市场状态自适应融合信息，最终将预测信息用于多阶段投资组合配置和风险调整后的交易决策。 方法: 框架包括五部分：结合小波分解的多分辨率 Transformer（MR-TWD）；量化情绪影响的情绪感知金融图神经网络（SA-FGNN）；用于生成合成危机场景的 GAN；通过自适应注意力融合股票、情绪与波动率信息的 TMF VA；利用对比信号辅助多阶段组合配置与买卖决策的 CRL-PO。摘录没有给出网络结构、损失函数、图构建规则或具体训练配置。 数据: 涉及股票价格数据、情绪信号、波动率指标及 GAN 生成的合成市场危机场景。所提供摘要没有说明具体数据集、股票范围、情绪来源、样本日期、观测频率或预测期限。 结果: 作者摘要报告 R² 提升 10%、情绪相关性提升 8%、以 Sharpe Ratio 衡量的稳健性提升 25%、累计收益提升 7.8%。摘录未说明对比基线、绝对值、改善幅度的计算口径、统计显著性和交易成本，不能据此确认各模块的独立收益或跨市场稳定性。 高频特征工程关注点: 可借鉴其多尺度表示思路，对订单不平衡、主动买卖强度、微价格偏离和成交时长构造仅使用历史信息的多窗口或多频带特征，并结合波动率与盘口形态检查特征在不同状态下的作用。小波或其他滤波实现需要核查端点处理是否引入未来数据。上述为延伸建议，文章摘要没有报告高频盘口特征实验。 研究启发: 可在 OB/SF 特征上先检验多尺度表示的增量价值，以 Linear、LGB 和 MLP 使用相同样本、标签及时间划分作对照；若引入情绪或跨股票图信息，可通过 sidecar 固定信息可用时间、关联关系及历史版本。LLM 因子管线可将价格多尺度、情绪关系、状态融合拆成独立候选假设，逐项消融后再评估组合效果。GAN 合成危机场景可作为压力测试候选，但应与真实样本外结果分开记录。原文报告的改善比例不能直接作为这些扩展的预期收益。 管线落点: 优先作为 MLP/LGB/Linear 的训练或融合实验，不直接改变因子数据；候选 routes: mlp_codeX。 可能增益: 潜在增益在于提升多 horizon 序列预测稳定性，或改善 MLP/LGB/Linear 对 sidecar/context 特征的吸收方式。 ### IDEA-2026-W38-dd22027d — 利用时序图神经网络建模企业间依赖关系以预测股价 - 优先级: `medium` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://doi.org/10.1016/j.ject.2026.09.001 - 原题: Modeling Inter-Firm Dependencies with Temporal Graph Neural Networks for Stock Price Prediction - 研究轴: 模型训练 / 序列预测, 因子生成 / 表示学习 - 管线落点: MLP 时序预测 - 角色: `模型训练 / 融合候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `873` 字 研究亮点: - 以每日新闻共现构建动态企业关系，联合表达情绪、价格与波动率。 - 结合图卷积的信息传播与时间模块的依赖建模。 - 比较结构化关系传播与直接拼接跨企业信息的差异。 - 明确收益预测误差优势与方向预测优势并不一致。 文章摘要: 这项研究关注企业之间的关系如何影响股票价格动态，以及时序图神经网络能否更有效地表示这种同时具有关系结构和时间变化的依赖。传统预测方法往往将企业分别建模，容易忽略关联企业之间的信息联系；即使加入其他企业的新闻情绪，将这些信息直接拼接为额外特征，也未必能够有效表达信息来自哪些企业、沿何种关系发生作用。论文因此把重点放在跨企业信息的组织方式上，考察动态图结构能否为价格预测提供更合适的关系表示。研究框架融合金融新闻的文本情绪、历史股价，以及从新闻共同出现关系中构造的企业关联。每家企业被表示为一个节点，节点特征结合情绪、价格与波动率；企业间的边依据每日新闻共现形成，并随时间动态变化。图卷积负责沿企业关系传播和聚合信息，GRU等时间模块负责捕捉跨时段依赖。这样，框架既描述某家企业自身状态的演化，也通过明确的连接结构表示关联企业信息，而不是仅将不同企业的变量放进同一个特征向量。实验涉及ST-GCN、TGCN等图模型，以及LSTM、GRU和Transformer等常规序列模型，并考察纳入跨企业信息时的预测表现。摘要报告，常规序列模型直接加入关联企业情绪作为额外特征后，可能出现性能下降；图模型则提供了结构化的信息传播机制。在股票收益预测实验中，纳入跨企业信息后，图模型总体上取得了比常规序列模型更低的预测误差，但其在方向预测上的优势并不稳定。因此，论文并未将结论概括为图模型持续优于序列模型，而是强调其主要价值在于显式表示企业互动，以及更有结构地利用跨企业特征。文章最值得关注的贡献，是区分了增加关联信息与有效组织关联信息这两个问题，并指出误差改善与方向预测改善并不必然一致。新闻共现为动态企业关系提供了一种构图来源，但现有证据尚不足以说明这种关系表示已经准确刻画全部经济联系。作者据此提出，后续应研究更准确的图构造策略和多关系建模。当前原文抓取内容仅为跳转提示，上述内容依据所附摘要整理；摘要未披露股票市场与样本规模、新闻来源、样本区间、情绪提取模型、具体误差数值或统计显著性，也未报告交易成本和策略收益，因此不能据此判断其高频适用性或经济收益。 背景: 企业关系与时间依赖共同影响股票动态，但独立建模企业的传统方法容易忽略这种联系。直接把关联企业的情绪加入序列模型，也可能无法有效表达关系结构，甚至导致预测性能下降。 逻辑: 跨企业信息的价值取决于其组织和交互方式。将企业表示为节点、将动态新闻共现表示为边，再分别建模关系传播与时间演化，可以显式表达企业间依赖；其价值应同时从预测误差和方向预测表现考察，不能预设图模型普遍占优。 方法: 融合金融新闻情绪、历史股价与波动率形成企业节点特征，以每日新闻共现构造动态边；采用图卷积传播和聚合关联企业信息，并使用GRU等时间模块捕捉时间依赖。实验比较ST-GCN、TGCN与LSTM、GRU、Transformer等模型在使用跨企业信息时的表现，涉及收益预测误差与方向预测。 数据: 使用金融新闻文本情绪、历史股票价格、波动率及每日新闻中的企业共现关系。摘要未给出具体市场、企业数量、新闻数据源、样本区间、价格采样频率或数据划分。 结果: 摘要报告，直接拼接关联企业情绪可能使常规序列模型性能下降。纳入跨企业信息时，图模型在股票收益预测中总体获得更低的预测误差，但方向预测优势不够一致。主要结论是图结构更适合表达关系特征交互，而非图模型能持续取得最优预测表现；没有提供具体误差数值、显著性或策略收益。 高频特征工程关注点: 可探索将横截面状态由简单拼接改为基于关系的聚合表示，例如按已知企业关系聚合邻居的订单不平衡、主动买卖强度、微价格偏离和盘口形态，同时保留本股状态。新闻关系必须按实际可用时刻生成；若当日共现图汇总了全天新闻，就不能直接供当日较早的高频预测使用。还应区分关系更新频率与盘口事件频率。以上是高频特征工程设想，文章摘要没有验证订单簿输入。 研究启发: 可在sidecar中记录按可用时刻构建的企业关系及邻居聚合特征，再与OB/SF本股特征联合评估。对MLP/LGB/Linear可设置仅本股特征、直接拼接关联信息、关系聚合特征三种输入方案，判断改善来自额外信息还是关系组织方式；如进一步测试时序图模型，应保持样本、标签和评估条件一致。LLM因子管线可提出关系条件下的交互假设，但关系来源和时间可见性需预先约束。评估应分别报告收益预测误差、方向指标及成本后交易表现，避免将摘要中的误差优势解释为稳定的交易收益优势。 管线落点: 优先作为 MLP/LGB/Linear 的训练或融合实验，不直接改变因子数据；候选 routes: mlp_codeX。 可能增益: 潜在增益在于提升多 horizon 序列预测稳定性，或改善 MLP/LGB/Linear 对 sidecar/context 特征的吸收方式。 ### IDEA-2026-W38-57c8f6be — 基于时间序列分析的碳价格预测最优混合框架 - 优先级: `low` - 状态: `candidate` - 来源: OpenAlex Financial Time-Series Models - 链接: https://doi.org/10.1007/s44163-026-01368-z - 原题: An optimal hybrid framework for carbon price prediction using time series analysis - 研究轴: 模型训练 / 序列预测, 评估审计 / 可比性 - 管线落点: MLP 时序预测, 回测与可比性审计 - 角色: `评估审计 / 可比性候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `702` 字 研究亮点: - 明确将碳价格预测定义为短期时间序列回归。 - 结合 LSTM 与 EPO，着重改善超参数选择。 - 采用严格按时间推进的滚动预测起点验证。 - 明确区分预测指标改善与经济收益、政策影响。 文章摘要: 本文研究排放交易体系中的短期碳价格预测，目标是利用主要碳排放交易市场的历史价格，预测未来碳价格的具体数值，为理解市场价格动态及市场参与者的判断提供依据。研究明确把问题定义为有监督时间序列回归，而非价格方向分类，因此评价重点是预测值与实际价格之间的偏差。其核心方法是将长短期记忆网络 LSTM 与增强鹈鹕优化算法 EPO 结合，由 LSTM 建模历史价格序列，由 EPO 改善超参数选择，构成混合深度学习预测框架。摘要对 EPO 的描述集中在超参数选择，没有披露搜索空间、计算预算或具体优化机制。除模型设计外，论文强调验证过程应符合实际预测的信息顺序，采用严格按时间推进的滚动预测起点验证，使评估遵守先使用历史信息、再预测后续价格的次序，以减少数据泄漏并提高结果对真实预测场景的代表性。评价使用 MAE、RMSE 和 MAPE 等回归指标，以便与碳价格预测文献比较，同时报告 R² 方面的改善。实验结论是，在所分析的数据集上，该方法相较一般统计模型和深度学习基线呈现一致的误差下降；不过摘要没有列出具体基线名称、误差数值、改善比例或显著性检验。论文将结论明确限定在选定市场和预测期限之内，认为这些结果支持预测表现的改善，而不能直接推导为经济收益或政策影响。后续工作包括扩展市场与预测期限，并进一步检验经济效用。文章值得关注之处，是把超参数优化、时间顺序验证和回归评价放在同一框架中，同时区分统计预测效果与实际经济价值。所提供的来源抓取文本实际为网站加载验证提示，不包含论文正文，因此本摘要依据随附的论文摘要整理；具体市场名称、样本区间、采样频率、滚动窗口设置及调参是否完全限制在各训练窗口内部，尚无法核实。 背景: 准确预测碳价格有助于理解排放交易体系的价格动态并辅助市场参与者。论文聚焦利用历史碳价格完成短期数值预测，强调这是一项时间序列回归任务。 逻辑: 通过 EPO 改善 LSTM 的超参数选择，并使用符合时间顺序的滚动预测起点验证评估泛化表现，再以统一回归误差指标比较统计模型与深度学习基线；结论限定为选定市场和期限上的预测改善。 方法: 采用 LSTM 与增强鹈鹕优化算法 EPO 构成混合模型，EPO 用于改善超参数选择。验证采用严格按时间推进的 rolling-origin 方案，评价指标包括 MAE、RMSE、MAPE，并讨论 R² 的改善。随附摘要未披露模型结构、超参数搜索范围、滚动窗口长度及具体预测步数。 数据: 输入为主要排放交易体系市场的历史碳价格序列，预测目标为短期未来碳价格。随附摘要没有列出具体市场、数据来源、样本量、日期范围或采样频率；来源页面抓取文本仅为加载验证提示。 结果: 随附摘要称，该方法在所分析的数据集上相较一般统计和深度学习基线持续降低预测误差，并改善 R²，但没有提供具体数值或基线名称。作者明确将结果限制在所选市场与预测期限，不把预测改善直接解释为经济收益或政策影响。 研究启发: 可借鉴其时间顺序验证思路，在 OB/SF 及 sidecar 特征驱动的 MLP、LGB、Linear 比较中统一预测期限、滚动起点和训练数据范围，将特征筛选、标准化与调参限制在对应训练阶段。LLM 因子管线生成的候选也应在相同时间划分下评价；对于标签区间重叠的高频任务，还需另行处理训练与验证之间的重叠问题。可把 EPO 作为待检验的调参候选，在相同搜索预算下比较其价值，并将误差改善与扣除成本后的交易收益分开报告。上述属于方法延伸，论文摘要未验证这些高频应用。 管线落点: 优先进入审计/评估方法库，服务 baseline 可比性和 SFT/BT 可信度；候选 routes: mlp_codeX, backtest_audit。 可能增益: 潜在增益在于减少不可比实验、泄露和过拟合带来的误判，让 SFT/BT 结论更可信。 ## 高频数据特征工程 ### IDEA-2026-W38-ee69dff0 — 结合知识库积累与多智能体大语言模型的自改进量化交易 Alpha 挖掘 - 优先级: `high` - 状态: `candidate` - 来源: OpenAlex AI Factor Generation - 链接: https://doi.org/10.1016/j.mlwa.2026.100987 - 原题: Self-improving alpha mining for quantitative trading via multi-agent large language models with knowledge base accumulation - 研究轴: 因子生成 / 表示学习, 高频特征工程 - 管线落点: LLM 因子生成, 高频数据特征工程 - 角色: `高频数据特征工程候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `744` 字 研究亮点: - 将 WorldQuant 101 公式型 Alpha 系统整合为生成先验 - 通过多智能体与回测引擎的嵌套循环迭代候选因子 - 同时比较因子质量与搜索收敛效率 - 在越南股票市场开展有无公式约束的实证比较 文章摘要: 本文研究如何利用多智能体大语言模型自动发现、修订和评估量化交易 Alpha 因子。研究背景是，交易策略需要持续寻找能够刻画市场低效的新因子，而传统人工特征工程耗时较长，并高度依赖研究者的领域经验。论文将因子挖掘组织为包含 WriterAgent、JudgeAgent 和 BacktestEngine 的嵌套循环架构，使策略生成、评判与回测构成反复迭代的流程，以支持候选因子的逐步改进。其核心贡献是系统地引入 WorldQuant 101 Formulaic Alphas，将已有公式型 Alpha 作为结构化知识先验，使生成过程建立在既有公式模式之上，减少无约束自由生成的搜索负担。作者认为，这种领域知识约束能够缩小候选空间、减少无效代码生成，并加快修订循环的收敛。论文标题强调知识库积累与自改进，但现有摘要没有披露知识库如何新增、检索、去重或淘汰内容，因此不能进一步确定其记忆更新机制。实验使用越南股票市场数据，围绕生成因子的质量和迭代效率展开评估，并将引入 WorldQuant 101 先验的方案与不施加此类约束的 LLM 生成方案进行比较。摘要报告，该框架能够在较短生成时间内持续产生具有统计显著信息系数（IC）和正 Sharpe 比率的因子；引入公式先验后，因子质量与收敛效率均优于无约束生成。文章最值得关注的是将明确的金融公式知识嵌入自动搜索过程，并通过生成、评判和回测的循环连接候选构造与实证评价。本次抓取文本仅为跳转提示，上述内容依据提供的摘要。材料没有给出样本区间、股票数量、数据频率、预测期限、具体 IC 或 Sharpe 数值，也未说明样本外划分、交易成本和多重检验处理。因此，现有证据支持作者所报告的方法优势，但不足以判断收益规模、跨市场泛化能力或高频场景表现。 背景: 量化交易依赖能够捕捉市场低效的 Alpha 因子，但人工特征工程耗时且需要较多领域知识。论文尝试通过多智能体大语言模型自动化因子的生成、修订和评估。 逻辑: 以 WorldQuant 101 Formulaic Alphas 提供结构化公式先验，约束候选生成空间，再通过嵌套的生成、评判与回测循环改进因子。核心假设是，领域公式约束能够同时减少无效生成、提高因子质量并改善收敛效率。 方法: 框架包含 WriterAgent、JudgeAgent 和 BacktestEngine，采用嵌套循环架构，并系统整合 WorldQuant 101 Formulaic Alphas。实验比较带有公式先验的生成方案与无约束 LLM 生成方案，考察 Alpha 质量和收敛效率；摘要未披露具体提示词、循环终止条件或知识库更新规则。 数据: 使用越南股票市场数据。材料没有披露样本日期、股票覆盖范围、采样频率、输入字段及训练与测试划分。 结果: 摘要报告，框架在较短生成时间内产生了具有统计显著 IC 和正 Sharpe 比率的因子；加入 WorldQuant 101 公式先验后，Alpha 质量与收敛效率持续优于无约束 LLM 生成。未提供具体指标数值、生成耗时或显著性检验细节。 高频特征工程关注点: 可借鉴其结构化公式先验思路，为高频因子生成预先定义订单不平衡、主动买卖、微价格偏离、价格层记忆、队列状态和成交时长等有明确含义的基础算子，并约束窗口、单位及可用时点。这属于方法延伸，论文摘要没有证明上述高频字段的有效性。 研究启发: 可在我们的 LLM 因子管线中设计公式先验有无的对照实验，以相同模型、数据切分和生成预算比较有效代码比例、重复率、样本外 IC 与搜索耗时。OB/SF/sidecar 字段应先明确时间戳、覆盖范围和因果可用性，再作为受约束的生成输入。候选进入 MLP、LGB 或 Linear 前，应固定评估窗口并区分用于迭代的验证集与独立测试集；知识库宜保留失败及重复候选，避免反复搜索和选择性记录。上述为实施建议，不是论文已验证的结论。 管线落点: 优先进入高频 feature pool / sidecar taxonomy，同时服务 LGB/Linear/MLP 和 LLM factor prompt；候选 routes: llm_factor_pipeline, hft_feature_engineering。 可能增益: 潜在增益在于提升特征池的信息密度和可解释性，让 LGB/Linear/MLP/LLM 因子管线都能共享同一套高频行为表达。 ### IDEA-2026-W38-91503143 — 人工智能在量化交易中的应用流程、前景与风险治理 - 优先级: `low` - 状态: `candidate` - 来源: OpenAlex AI Factor Generation - 链接: https://doi.org/10.54254/2755-2721/2026.36597 - 原题: Artificial Intelligence in Quantitative Trading: Application Pipeline, Prospects, and Risk Governance - 研究轴: 因子生成 / 表示学习, 数据坐标 / 高频状态, 评估审计 / 可比性 - 管线落点: 高频数据特征工程, LLM 因子生成 - 角色: `高频数据特征工程候选` - 原文证据: `已读网页`；摘要质量: `中`；摘要长度: `755` 字 研究亮点: - 按数据采集至交易执行的完整流程组织人工智能应用综述。 - 将大语言模型驱动的策略挖掘纳入量化交易讨论。 - 归纳模型、数据、市场与运营安全四类风险。 - 提出结合技术控制、人类监督与监管协调的可审计治理框架。 文章摘要: 本文围绕人工智能在量化交易中的应用及其风险治理展开综述与概念综合。研究背景是，人工智能正在把传统依赖固定规则的交易系统扩展到自适应预测、动态配置和自动化执行，机器学习、强化学习以及基于大语言模型的工作流也逐渐进入金融实践。与此同时，技术应用带来过拟合、数据脆弱性、交易行为趋同、系统性风险和治理失效等问题。文章关注的核心问题因而不仅是人工智能能够完成哪些交易任务，还包括这些能力在完整交易流程中如何受到验证、约束和监督。研究整合了金融市场机器学习预测与投资组合优化、大语言模型驱动的策略挖掘、量化危机管理及人工智能风险管理等方向的近期文献，并按照实际交易流程组织讨论，依次分析数据采集、特征工程、模型开发、投资组合构建和交易执行中的人工智能应用。这样的组织方式把技术能力置于具体业务环节中，而不只是罗列算法。风险分析进一步归纳出四类代表性问题：模型风险，数据依赖与质量风险，市场流动性与波动风险，以及运营与网络安全风险。这一分类同时覆盖预测和决策模型本身、数据基础、市场环境及系统运行，使风险讨论超出单一模型的准确度评价。在此基础上，文章提出多层治理框架，结合稳健的模型工程、投资层面控制、实施保障、人类监督与监管协调，将技术验证、投资管理和组织治理纳入共同框架。其主要结论是，量化交易的未来更依赖能够接受审计的系统，这类系统需要共同具备数据纪律、模型验证、风险控制和人类监督，而不能仅以算法自治程度作为发展目标。文章的亮点在于沿交易全流程串联人工智能应用、风险分类和治理安排，同时把大语言模型策略挖掘纳入讨论。现有摘录主要提供摘要层面的框架信息，没有展示文献检索与筛选方法、具体案例分析、实证样本或量化对比结果，因此能够确认的是其综述观点与治理主张，尚不能据此判断该框架对收益、回撤或运行事故的实际改善幅度。 背景: 人工智能使量化交易从传统规则系统扩展到自适应预测、动态配置和自动化执行。机器学习、强化学习与大语言模型工作流的应用，同时引发过拟合、数据脆弱性、羊群效应、系统性风险和治理失效等担忧。 逻辑: 沿实际交易流程梳理人工智能的应用位置，再归纳模型、数据、市场和运营层面的风险，最后提出覆盖技术工程、投资控制、实施保障、人类监督与监管协调的多层治理框架。 方法: 采用文献综述与概念综合，整合机器学习预测、投资组合优化、大语言模型策略挖掘、量化危机管理和人工智能风险管理等研究；按数据采集、特征工程、模型开发、组合构建和执行组织分析，形成四类风险与多层治理框架。摘录未给出系统性检索或文献筛选程序。 结果: 文章归纳出模型风险、数据依赖与质量风险、市场流动性与波动风险、运营与网络安全风险四类问题，并提出多层治理框架。其概念性结论是，应建设结合数据纪律、模型验证、风险控制和人类监督的可审计量化交易系统。摘录没有提供量化实证结果。 高频特征工程关注点: 从其数据质量与可审计性主张可引申出高频特征治理要求：对订单不平衡、主动买卖、微价格、价格层记忆、队列状态、成交时长、事件时间、盘口形态和横截面状态，明确数据来源、可用时间、计算窗口及缺失处理，并检查跨源对齐是否引入未来信息。这些是结合高频场景提出的建议，文章摘录没有给出这些特征的定义或有效性实验。 研究启发: 可将其交易全流程与多层治理思路用于梳理OB、SF及sidecar的数据契约，记录时间戳语义、字段版本和覆盖范围；在Linear、MLP与LGB比较中统一样本和验证规则，保留有效配置及评估证据；在LLM因子管线中记录生成来源、筛选过程、验证结果与人工复核决定。模型通过预测验证、组合通过风险审查以及执行系统具备运行保障，应分别提供证据。上述内容属于框架应用建议，原文摘录未证明其能够提升高频预测或交易收益。 管线落点: 优先进入高频 feature pool / sidecar taxonomy，同时服务 LGB/Linear/MLP 和 LLM factor prompt；候选 routes: hft_feature_engineering, llm_factor_pipeline。 可能增益: 潜在增益在于提升特征池的信息密度和可解释性，让 LGB/Linear/MLP/LLM 因子管线都能共享同一套高频行为表达。 ## 观察池 以下内容有一定金融/交易语境，但缺少订单簿、收益预测、因子、回测或市场微观结构等量化硬锚点；本期不进入主榜。完整观察池保留在 JSON 审计文件中。 - `21` [STSGAT: a Spatio-Temporal Sentiment Graph Attention Network for stock volatility forecasting](https://doi.org/10.54254/2977-3903/2026.35794)；弱金融锚点，缺少订单簿/收益/因子等硬锚点 - `9` [Ensemble deep learning models for stock price forecasting: evidence from the Saudi markets](https://doi.org/10.7717/peerj-cs.4064)；弱金融锚点，缺少订单簿/收益/因子等硬锚点 - `9` [TradingMoE: Routing the Right Experts in Evolving Markets](https://doi.org/10.48550/arxiv.2608.11785)；方法或泛金融相关，但缺少量化硬锚点 ## 常青资料库 以下资料已在历史周报覆盖，但仍有长期参考价值；不再占用本周新增 idea 名额。 ### AI 辅助因子生成 - [AlphaAgent：带正则化探索的 LLM Alpha 挖掘以对抗 Alpha 衰减](https://arxiv.org/abs/2502.16789)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [Chain-of-Alpha：基于 LLM 的自动公式化 Alpha 挖掘框架](https://www.researchgate.net/publication/394426875_Chain-of-Alpha_Unleashing_the_Power_of_Large_Language_Models_for_Alpha_Mining_in_Quantitative_Trading)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [FactorMAD：基于 LLM 多智能体辩论的可解释 Alpha 因子挖掘](https://dl.acm.org/doi/10.1145/3768292.3770377)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [LLM 驱动的自动稳健特征工程](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5124841)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [量化投资中的 LLM 自动策略发现](https://aclanthology.org/2025.findings-emnlp.1005/)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [面向稀疏投资组合优化的 LLM 进化式 Alpha 因子发现](https://openreview.net/forum?id=Zs3ZXwfaIu)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 ### 时序预测模型与 LOB - [Deep Limit Order Book Forecasting：深度限价订单簿预测与 LOBFrame 基准](https://arxiv.org/abs/2403.09267)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [LENS：用于探索金融时序规律的大规模预训练 Transformer](https://arxiv.org/abs/2408.10111)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [LSTM、GRU 与 Transformer 在股票价格趋势预测中的比较分析](https://arxiv.org/abs/2411.05790)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [LiT：限价订单簿Transformer](https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1616485/full)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [TLOB：基于限价订单簿数据的双注意力 Transformer 股价趋势预测模型](https://arxiv.org/abs/2502.15757)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [基于 CNN 与 Transformer 的金融时间序列预测](https://arxiv.org/abs/2304.04912)；首次 `2026-W32`；最近 `2026-W32`；出现 `2` 次；本周重复，已移入常青资料 ### 订单簿表示与逐笔数据 - [基于注意力机制的限价订单簿阅读、突出与全簿预测](https://arxiv.org/abs/2409.02277)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 ### 评估审计与风险控制 - [金融科技系统中的自适应风险评估：基于强化学习的连续策略优化](https://doi.org/10.62762/jse.2026.605759)；首次 `2026-W25`；最近 `2026-W26`；出现 `2` 次；历史高频资料 ### 金融时序预测模型 - [冻结时序基础模型的神经—经典混合校正：高频股票预测的全面消融研究](https://doi.org/10.48550/arxiv.2608.08825)；首次 `2026-W34`；最近 `2026-W34`；出现 `2` 次；本周重复，已移入常青资料 - [通过人工智能驱动的市场数据与情绪分析融合增强股票价格预测](https://doi.org/10.14445/23939125/ijems-v13i6p102)；首次 `2026-W32`；最近 `2026-W32`；出现 `2` 次；本周重复，已移入常青资料 ### 高频数据特征工程 - [中信建投：市场微观结构系列研究，从分钟频到 Level2 的探索与发现](https://view.inews.qq.com/a/20251217A01V3A00)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [国信证券：高频订单成交数据蕴含的 Alpha 信息](https://www.fxbaogao.com/detail/4095774)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [国信金工：基于主动买卖特征的高频订单因子改进](https://finance.sina.com.cn/roll/2024-08-20/doc-inckfzcs5651129.shtml)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [开源证券：市场微观结构观察与2023年以来的高频因子回顾](https://www.fxbaogao.com/detail/4984776)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [挂单方向长期记忆性的讨论与应用](https://www.fxbaogao.com/detail/4339762)；首次 `2026-W25`；最近 `2026-W26`；出现 `3` 次；本周重复，已移入常青资料 - [基于 TransXFormer 的出版传媒股票预测](https://doi.org/10.1016/j.iref.2026.105681)；首次 `2026-W32`；最近 `2026-W32`；出现 `2` 次；本周重复，已移入常青资料 ### 高频订单流与微观结构 - [用于金融时间序列预测的分解增强网络 DENet](https://doi.org/10.1038/s41598-026-63484-1)；首次 `2026-W32`；最近 `2026-W32`；出现 `2` 次；本周重复，已移入常青资料 ## 本周高分来源 - `29` [价格与交易动态的可解释深度学习：从黑箱预测到有效参数模型](https://doi.org/10.48550/arxiv.2609.06085) — OpenAlex 订单簿与微观结构专题; 数据坐标 / 高频状态, 模型训练 / 序列预测, 评估审计 / 可比性; 回测与可比性审计, 数据 sidecar / 高频衍生数据, Linear/Ridge baseline - `25` [用于预测限价订单簿趋势的量子加权移动平均](https://doi.org/10.48550/arxiv.2609.01524) — OpenAlex 订单簿与微观结构专题; 数据坐标 / 高频状态, 模型训练 / 序列预测, 评估审计 / 可比性; 回测与可比性审计, LLM 因子生成, MLP 时序预测 - `24` [结合知识库积累与多智能体大语言模型的自改进量化交易 Alpha 挖掘](https://doi.org/10.1016/j.mlwa.2026.100987) — OpenAlex AI 因子生成专题; 因子生成 / 表示学习, 高频特征工程; LLM 因子生成, 高频数据特征工程 - `24` [用于金融市场波动率预测的混合深度学习框架](https://doi.org/10.1038/s41598-026-70301-2) — OpenAlex 语义论文检索; 模型训练 / 序列预测, 评估审计 / 可比性, 因子生成 / 表示学习; MLP 时序预测, 回测与可比性审计, LGB 融合与筛选 - ` 9` [AQuA：递归自我改进的量化交易研究智能体](https://doi.org/10.48550/arxiv.2608.12841) — OpenAlex 金融时序模型专题; 因子生成 / 表示学习; LLM 因子生成 - ` 9` [利用时序图神经网络建模企业间依赖关系以预测股价](https://doi.org/10.1016/j.ject.2026.09.001) — OpenAlex 金融时序模型专题; 模型训练 / 序列预测, 因子生成 / 表示学习; MLP 时序预测 - ` 9` [面向投资决策的机器学习股票价格预测](https://doi.org/10.64751/ajaccm.2026.v6.n3.872) — OpenAlex AI 因子生成专题; 模型训练 / 序列预测, 因子生成 / 表示学习; Linear/Ridge baseline, LLM 因子生成, MLP 时序预测 - ` 5` [人工智能在量化交易中的应用流程、前景与风险治理](https://doi.org/10.54254/2755-2721/2026.36597) — OpenAlex AI 因子生成专题; 因子生成 / 表示学习, 数据坐标 / 高频状态, 评估审计 / 可比性; 高频数据特征工程, LLM 因子生成 ## 人工 Review Checklist - 是否明确 `t` 时刻可见信息和预测 horizon？ - 是否只是已有 OB/SF/PLM/CS 的 rolling-window 变体，还是新增了观察坐标？ - 是否能沉淀为高频数据特征工程模板，例如订单不平衡、主动买卖、价格层记忆、事件时间或盘口形态？ - 应作为 predictor、gate/context、normalizer 还是 evaluation audit？ - 是否存在版权、付费源或全文再分发风险？