基于盈利数据的自监督对比表示学习，实现抗噪声干扰的股票预测

文章预览

“ Trading through Earnings Seasons using Self-Supervised Contrastive Representation Learning ” 论文地址 ：https://arxiv.org/pdf/2409.17392v1 摘要 盈利发布是金融市场的重要经济事件，对股票走势预测至关重要。盈利数据反映公司财务状况，但发布周期不规律，给中频算法交易模型带来挑战。本文引入对比收益变换器（CET）模型，基于对比预测编码（CPC），优化盈利数据利用。通过与基准模型的比较研究，评估CET在不同领域的有效性。CET在处理盈利数据的时效性和不同领域的变化上表现出独特优势。CPC基础使CET能够更好地理解盈利数据，提供一致的股票预测。CET为算法交易中盈利数据的应用提供了新思路。 简介 高性能计算和数字数据的激增推动了机器学习在算法交易中的应用，包括监督学习、无监督学习和强化学习。目前研究多集中于机器学习模型和数据处理，往往将问 ………………………………