10:50arXiv: DeepSeek@Zijie Zhao, Roy E. Welsch精选该研究提出一种面向金融事件驱动RAG的贝叶斯源记忆机制,通过市场反馈(已到期残差收益)动态更新检索来源的信任度,而不微调LLM本身。在FNSPID数据集89只纳斯达克股票上,冻结LLM+源记忆相比无记忆基线,宏F1从0.438提升至0.471,下游投资组合Sharpe比率从0.52跃升至0.84。实验表明,在金融RAG中,学会信任哪些信息来源比学会如何阅读更重要,且该方法简单模块化,可直接适配市场变化。论文金融RAG检索增强生成贝叶斯记忆市场反馈事件驱动推荐理由:金融量化团队终于有了一个不折腾大模型、只优化检索来源就能显著提升收益风险比的方案——Sharpe从0.52到0.84的跃升很实在,做事件驱动策略的可以直接参考这个贝叶斯记忆模块。原文
15:08AI Will@FinanceYF5精选72°Google 新论文 Nexus 提出,时间序列预测不应仅依赖历史曲线,还需理解背后的事件。该方法将预测任务拆分为多个 agent:整理事件、判断环境、追踪冲击和综合校准。在 Zillow 数据集测试中,使用 Claude 的 Nexus 版本比普通 CoT 提示平均 MAPE 降低 86.6%。这标志着预测模型从单纯画曲线转向解释曲线为何变动,为金融、房地产等领域提供更可解释的预测。论文时间序列预测多智能体事件驱动GoogleClaude推荐理由:做时间序列预测的团队终于有了新思路——Nexus 把事件理解引入预测,MAPE 降低 86.6% 的效果值得在业务中试试。原文