本文用连续的上下文内容、多样化信息、高效学习建立了机器学习模型预测股票未来走势
随着欧洲经济企稳, values spread 的均值回复可能正在开始
How We Built Models to Predict Rating Changes in the Bond Market
通过更有效的交易方法可以从短期信号中获得经济上和统计上高度显著的净alpha。
对于相对情绪因子，使用机器学习模型后能够提取更多的预测信息..
关于“价值股”的筛选指标：EBIT/TEV & Book to price
对A股的PEAD现象进行简单实证检验
本篇论文表明，反转和动量惊人地共存于1个月的形成期上——上个月交易清淡的股票表现出强劲的短期反转趋势，而上个月交易活跃的股票表现出几乎同样强劲的延续趋势
本文从极性分数和注意力分数出发讨论了在哪些条件下注意力机制可能变得更容易解释，并展示了这两个指标之间的相互作用如何影响模型的性能。
本文对近年来发展起来的150多个基于深度学习的文本分类模型进行了全面的回顾，并讨论了它们在技术上的贡献、相似之处和优势
在过去，分析照片成本高昂且无法通过 "客观的外部测量 "来验证的；现在，机器学习的方法减轻了这种担忧。
本文使用了一种新的机器学习技术，用于理解文本语料库的情感结构，而不用依赖预先存在的字典，该方法的主要特点是——从文章文本和股票收益的联合行为中学习情绪评分模型，而不是从“架子上”拿情绪分数。
本文使用基于正则化逻辑文本回归的预测模型，从盈利电话文本中提取 "好消息 "和 "坏消息"，预测模型是用过去的电话会议和相关的单日异常收益来动态训练的。我们记录了一个与SUE.txt相关的漂移现象，我们将其标记为PEAD.txt。
本文通过利用自然语言处理（NLP）的最新进展——基于注意力机制深度学习框架，将文本数据编码为向量并对语言进行建模，利用电话会议记录预测未来的股票价格走势
PEAD已经被详细描述了几十年，一个全面的解释仍然遥不可及。
媒体缓解PEAD，还是成为新的驱动力？
因子动量 vs 行业动量
因子动量 vs 个股动量
