Интеллектуальный отбор факторов: как нейросети помогают зарабатывать на бирже

Предложенная система Alpha-R1 последовательно преобразует необработанные технические индикаторы и финансовые новости в структурированные семантические профили факторов [latex]\alpha_{des}[/latex], сопоставляя их с динамическими состояниями рынка [latex]S_t[/latex] посредством логического ядра, оптимизируемого итеративным алгоритмом GRPO для контекстно-зависимого отбора альфа-факторов и формирования глобальной исторической памяти [latex]M_{global}[/latex].

Новая методика сочетает возможности больших языковых моделей и обучения с подкреплением для динамического анализа и выбора перспективных инвестиционных факторов.

Генеративные сети: новый взгляд на разреженные представления

В статье представлена инновационная архитектура генеративных состязательных сетей, использующая линейные преобразования и разреженные представления для повышения стабильности и предсказуемости обучения.

Нейросети на поисках оптимальных алгоритмов восстановления сигналов

Алгоритм ISTA представлен как нелинейная динамическая система, или рекуррентная нейронная сеть, где матрица обновления определяется выражением [latex]W=I-\eta A^{T}A[/latex], а предложенный подход DISCO автоматически определяет структуру и веса этой сети, разворачивая рекуррентную связь на K этапов, используя методы автоматизированного машинного обучения (NAS).

Исследователи использовали автоматический поиск архитектур нейронных сетей для заново открыть и улучшить итеративные алгоритмы, применяемые в задачах восстановления разреженных сигналов.