arXiv:2506.19856q-fin.STcs.LG2025-06
用特征向量相似性预测企业关联，提升动量溢出交易收益
Supervised Similarity for Firm Linkages
- 基于企业特征向量构造关联度量，通过欧氏距离和量子认知机器学习建模
- 量子认知模型在相似性学习中表现更优，可生成更高收益的动量策略
- 适合金融量化研究者，尤其关注企业关联与市场动量的交叉应用
我们提出一种新的企业关联代理指标——特征向量关联（CVLs），用于估计企业间的关联关系。首先通过欧氏相似性进行建模，随后引入量子认知机器学习（QCML）进行相似性学习。实验表明，两种方法均能构建盈利的动量溢出交易策略，但采用QCML的相似性学习表现优于简单的欧氏相似性方法。
原文摘要 · Abstract (English)
We introduce a novel proxy for firm linkages, Characteristic Vector Linkages (CVLs). We use this concept to estimate firm linkages, first through Euclidean similarity, and then by applying Quantum Cognition Machine Learning (QCML) to similarity learning. We demonstrate that both methods can be used to construct profitable momentum spillover trading strategies, but QCML similarity outperforms the simpler Euclidean similarity.
企业关联动量策略机器学习
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。