标签
FinLLM-KG 是一个模型无关的框架，将因果大语言模型与金融知识图谱相结合，从美国证券交易委员会（SEC）的 10-K 文件中注入公司层面、时间对齐的知识，以改进金融情绪分析与算法交易，同时提供可解释的预测依据。
该论文提出一种将情感分析深度融入Actor-Critic类深度强化学习智能体（A2C、PPO、DDPG、TD3、SAC）的股票交易策略，发现结合Q学习的策略优化方法在融合情感信息后能显著提升盈利与风险规避能力。
本文研究如何将大语言模型专门化，用于生成可执行的算法交易代码，表明以框架为导向的继续预训练，加上基于已验证「需求—代码」配对的监督微调，可大幅提升模型在 QuantCode-Bench 基准测试及智能体策略生成任务上的成功率，同时也揭示出一种能力保持失效现象：领域专门化会削弱结构化工具调用能力。
本研究评估大型语言模型（如DeepSeek、GPT和Gemini）在交易中测试时推理是否提升净投资组合回报，发现在不同条件下额外的推理并不能可靠地增强经济结果。
Indicator Go 是一个 Go 库，提供超过 80 个技术分析指标、一个回测框架，并通过 MCP 与 AI 工具集成，用于算法交易。
AI-Trader 是一个开源的 Python 框架，通过基于配置的 YAML 文件和 AI 助手集成，简化了跨多个市场的算法交易策略的回测和优化。
介绍了Backtrader-Bench，这是一个用于评估算法交易中LLM编码智能体的基准，采用自生成的多选题和生成器-求解器过滤流程，展示了工具增强型智能体达到90%的准确率。
FinSMART引入了一种市场对齐的强化学习框架用于金融情感分析，利用实际市场结果优化情感信号，相比最强基线实现了累计交易回报220%的提升。
本文研究了大语言模型在算法交易中母单执行的应用，提出了层次化框架PACE，在深圳证券交易所数据上优于传统基线，并表明大语言模型可以补充人类交易员。
A user curated a free GitHub repository aggregating numerous open-source quantitative finance tools, including pricing engines, backtesting frameworks, order book simulators, and risk models, making institutional-grade research tools accessible to individuals at minimal cost.
本文研究在 Almgren–Chriss 框架下，强化学习能否比传统的基于模型的方法更有效地发现价格操纵策略。结果表明，在中度波动且参数不确定的情况下，强化学习的表现优于基于模型的方法。
提出了一种面向算法交易的不确定性感知强化学习框架，通过SHAP加权重构、MC Dropout和LSTM共识机制，整合了分布性、认知性和偶然性不确定性。在五大美国股票指数上，其表现优于传统模型。
约翰内斯堡大学的一份工作论文提出了一种卡尔曼滤波、动量扩展的Anticor算法（K-ACM），在1962年至1984年的回测中，产生了从1美元到360亿美元的极端回报，尽管由于不切实际的假设而被认为是回测假象。
介绍了AlgoEvolve，一个LLM驱动的进化框架，用于生成并迭代改进算法交易策略。该框架包含一个元进化外层循环，用于进化提示词以指导内层循环的合成。
ai-quant-lab是一个开源的Python框架，它利用Claude生成算法交易策略，并通过统计测试严格验证以避免过拟合。
该文简述了 Jim Simons 的量化交易哲学，并主张利用 Claude Code 等 AI 工具可降低普通人构建自动化交易系统的门槛，实现策略验证与复利。
一位29岁的俄克拉荷马州销售顾问声称使用Claude和多个AI代理构建了以太坊价格预测系统，替代了整个量化团队，据称每月盈利超30万美元。该内容来自社交媒体，真实性存疑，带有明显的营销推广性质。
# 论文页面 - QuantCode-Bench：评估大语言模型生成可执行算法交易策略能力的基准 来源：[https://huggingface.co/papers/2604.15151](https://huggingface.co/papers/2604.15151) ## 摘要 QuantCode\-Bench 通过测试大语言模型能否将自然语言描述转化为可在历史金融数据上正确运行的功能性代码，来评估其生成可执行交易策略的能力。
本文提出了一种金融智能体的协调框架，将传统算法交易组件映射到AI智能体上，展示了在股票和BTC交易中相对于市场基准的改进回报。