23年的综述最近读了3篇，总结笔记如下：
本期所有论文链接：2023综述 https://www.alipan.com/s/ySur3StxKip 点击链接保存，或者复制本段内容，打开「阿里云盘」APP ，无需下载极速在线查看，视频原画倍速播放。
（2023）A_Systematic_Survey_of_AI_Models_in_Financial_Mark
评价：原文写的一般，可以不看。
这篇综述概述了当前的混合模型、评价指标、未来方向，指出金融市场传统的交易策略是基本面分析fundamental analysis (FA)和技术分析technical analysis（TA）。目前AI通常用在三个领域：优化投资组合、预测未来价格或趋势、对新闻或媒体进行情绪分析，其中优化投资组合涉及选股优化、管理和评估交易的资产，预测涉及股票、加密货币、外汇、期货。
作者从三个来源(Springer Link、the IEEE Xplore database、ACM digital library)按关键字（table 4 里的）搜了585篇2018~2023年的论文，
筛选摘要挑出95篇满足标准的，读了读并打分，最终挑了51篇，在table 5（ref就是下面参考文献里的论文索引）。通过对这51篇分析，得出以下结论：
市场：股票67%、加密货币16%、外汇12%、期货6%
数据：92%都用的日线，多用1~5年或5~10年的。用商业收费数据的多，雅虎财经的免费（但只有日线）。
深度学习算法： gated recurrent unit (GRU) and LSTM 在时序预测中表现出很大潜力。LSTM(49%)，SVM and MLP (35%)，CNN、random forest (RF)、and bi-LSTM (18% each)
混合模型：CNN + LSTM(55%)，neuro-fuzzy logic (18%)，LSTM-GRU, LSTM-RNN, and MLP-CNN (9% each)
评价指标：主要用sharpe ratio,ROI,max drawdown
评估模型性能的指标：主要用mean absolute percentage error (MAPE) - 33%, root mean square error (RMSE) - 33%, accuracy (31%),
mean absolute error (MAE) - 29%, mean squared error (MSE) - 29%, F measure (F1) - 20% and precision (20%)
模型输出：通常为预测的价格，或者趋势方向（上，下，不动）
table7显示9个论文用了策略，除了这9个，其余42篇论文的策略 are specialized techniques and thus require a financial, economic, and statistical understanding of the financial market to implement.Figure17是挑出的51篇文章对应的期刊，最下面6个是顶刊
最终结论：混合模型比传统机器学习技术表现更好.
（2023）Machine learning-based approaches for financial market prediction: A comprehensive review
评价：原文不值得看
作者找了1995~2019得2326篇论文，基于此分析了AI在股票市场的应用。这篇综述就是把一堆论文概括了一下，按照时间顺序，讲哪个作者用了啥技术，结论是啥。
我从近5年的开始记录了几篇结论有价值的论文（就是从本论文11页最后一段开始），其余的论文作者也没说清楚有啥重点：
11页最下面ref37，2022，发现仅靠历史数据不够，加上对社交媒体上情绪的分析，可以使预测准确率增加到80%.
12页ref38，2020，第一个把词嵌入和深度学习结合，用including LSTM networks, RNNs, and CNNs, word embedding models Word2Vec, GloVe, and FastText 比了一圈，发现词嵌入和深度学习结合可以预测方向。测试是用伊斯坦布尔的银行股，收集它的新闻、评论。
12页ref39，2020，是个综述，盘点了关于股票预测的机器学习算法。
12页ref40，2021,发现单一预测模型不够用，得用混合模型，他用机器学习和均值优化投资组合，提出极端梯度增强(XGBoost)和增强萤火虫算法(IFA，用来微调XGBoost)组合模型来预测股票价格。说用在A股优于现状，但没说现状是啥样。
12页ref41,2021，综述，看了353篇论文，说神经网络和模糊逻辑能用来预测，the most frequently cited authors in this area are Markowitz and Lebaron.
13页ref42,2021，综述，说用 root-mean-square error (RMSE)评估，LSTM最强；用夏普率评估，强化学习最强。 建议大家按需选择
13页ref44,2021，调查，异常推断在机器学习领域应用，用基于regression trees的集成算法准确预测了一天内的价格异常变动。
14页ref46,2022，对比了SVM，CNN，Regression-based model，LSTM，发现SVM and the mix of CNN and LSTM are effective at forecasting stock prices.
（2023）A Comprehensive Review on Financial Explainable AI
评价：原文不值得看
这篇综述研究AI可解释性在金融领域现状，作者起了个名：FinXAI。因为传统策略像白盒能看懂但难满足预期性能，AI像黑盒但大部分情况能满足预期性能，所以想让黑盒变白盒，从而让人放心用使用AI。作者从Scopus搜索并分析了69篇论文，讲了这些论文怎么解释模型，怎么解释特征，还解释了哪些内容。
-------------正文结束-------------
我的研究方向是机器学习在金融预测领域的应用，啃论文是体力活，大家资源共享 能少走弯路，
我筛选出的所有论文及代码链接，都放在公众号-想啃论文了，
里面还有我开发的机器人，用于实盘验证论文策略，并输出交易信号，大家可免费使用，仅供科研交流。