社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

观点速递:LLMQuant代表出席牛津大学量化金融与机器学习大会(2025)

LLMQuant • 6 天前 • 39 次点击  

 

2025年6月5日至6日,牛津-曼研究所(Oxford-Man Institute, OMI) 在牛津大学数学研究所(Mathematical Institute, University of Oxford)成功举办了2025机器学习与量化金融大会。此次大会聚焦人工智能在金融投资中的前沿应用,汇集了全球顶尖的学术界与业界精英。

作为全球领先的AI量化投资社区,LLMQuant应邀参会,深入参与研讨交流,现将大会精彩内容与大家分享👇

📌 大会日程与亮点报告精选

📅 6月5日 精选观点

🔹 Xiao Xiao(剑桥大学嘉治商学院)

主题:从指数追踪到风险管理:衍生品在ETF中的扩展角色
核心观点

通过SEC的数据分析发现,约60%的ETF广泛使用衍生品工具。主动型ETF倾向于采用期权策略改善风险控制能力,尽管费用更高,但因下行保护效果突出,更易吸引资金流入。


🔹 Valentina Raponi(Assistant Professor at IESE)

主题:条件资产定价中的异常现象剖析
核心观点

提出一种新的资产定价异常现象分析方法,扩展了传统的两步法,提出了加权最小二乘和抗误设定检验。研究表明,经济与金融危机期间,市场异常现象的影响显著增强。


🔹 Ruixun Zhang(北京大学)

主题:扩散因子模型——生成具有因子结构的高维资产收益
核心观点

将生成扩散模型与传统因子分析深度结合,有效解决金融场景模拟中的高维与数据稀缺问题。提出的因子扩散模型首次实现了理论与实际的结合,提供了明确的非渐近误差界限。
👉 开源代码:(https://github.com/xymmmm00/diffusion_factor_model)


🔹 Lin Peng(CUNY Baruch College)

主题:智慧还是盲从?利用AI解析投资者情绪、交易策略与市场表现
核心观点

通过分析9600万条社交媒体数据,运用大语言模型(LLM)提取投资者策略发现,基本面情绪正向预测股价表现,而技术情绪则负向预测。这一关系尤其体现在Robinhood等平台的散户投资者中。


🔹 Yuantao Shi(Oxford-Man Institute)

主题:噪声世界中的复杂模型的有限价值
核心观点

在高维因子空间中,增加模型复杂性并非总能提升表现。研究指出,当因子存在测量误差时,过度增加复杂性反而损害投资组合的收益率与预测能力,存在最优复杂性界限。


🎤 重磅主题演讲:Andrew Lo(MIT Sloan School of Management)

主题:生成式AI与“Quantamental投资”的崛起
核心观点

生成式AI和大语言模型(LLM)正在金融领域快速普及,极大提升了基本面分析的自动化与规模化能力。Lo教授首次提出,“Quantamental投资”(量化基本面投资)时代已经到来,这将是量化投资领域的一场革命性转变。


📅 6月6日 精选观点

🔹 Shumiao Ouyang (Associate Professor at Saïd Business School)

主题:AI的伦理合规如何塑造LLM的风险偏好?
核心观点

实验表明,提高大语言模型的伦理安全性显著降低了其风险偏好。这种伦理与风险之间的平衡,决定了AI模型在金融预测中的表现与决策偏好,揭示了伦理约束与创新激励之间的权衡关系。


🔹 Mihail Velikov(Penn State University)

主题:异常现象的自动化评估工具
核心观点

提出一套自动评估回报预测因子的协议和在线工具,能够有效识别市场中“伪异常”或无法盈利的策略。通过严格标准筛选,消除了超过98%的虚假因子,显著提高了投资策略的实际应用性。


🔹 Giulia Livieri(London School of Economics)

主题:Volterra过程条件分布的低维近似方法
核心观点

为应对金融预测中高维Volterra过程的维数灾难,首次提出了一种基于非正曲率流形的低维降维技术,并结合动态超网络实现了高效预测,突破了现有模型的瓶颈。


💡 LLMQuant参会观点与未来展望

本次会议的高光时刻,是Andrew Lo教授强调的“Quantamental投资”概念。Lo教授表示:

“如果说15年前机器学习为量化交易带来了革命性的变化,那么今天,大语言模型(LLM)正在为基本面投资带来同样的变革时刻。”

这一观点与LLMQuant社区的核心使命——推动AI技术与投资研究的深度融合——高度契合。作为全球AI量化投资领域的领先社区,LLMQuant将继续致力于:

  • • 🌐 与全球顶级学术机构与业界专家深入合作;
  • • 🚀 推动量化基本面投资理论和实践创新;
  • • 🔬 搭建开放的研究与实践平台,汇聚全球智慧,持续探索前沿技术在金融领域的无限可能。


🎯大会地点:Mathematical Institute, University of Oxford
🗓大会时间:2025年6月5日-6日

📌 关注LLMQuant,与全球AI金融精英共同探索未来!

关于LLMQuant

LLMQuant是由一群来自世界顶尖高校和量化金融从业人员组成的前沿社区,致力于探索人工智能(AI)与量化(Quant)领域的无限可能。我们的团队成员来自剑桥大学、牛津大学、哈佛大学、苏黎世联邦理工学院、北京大学、中科大等世界知名高校,外部顾问来自Microsoft、HSBC、Citadel、Man Group、Citi、Jump Trading、国内顶尖私募等一流企业。社区持续招新中,扫描下方二维码加入

 

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/182994
 
39 次点击