生物資訊學或遺傳學在美國股票中產生阿爾法的一些應用是什麼？
有許多學科對一個模型的風險和回報做出了貢獻。物理學介紹了布朗運動和 RMT。機器學習有助於解決複雜的投資組合建構問題，運籌學有助於做市和風險管理，航空航天工程有助於卡爾曼濾波器。
我正在尋找使用傳統上應用於生物資訊學和遺傳學的方法來模擬股票行為的論文。例如，流行病學廣泛使用典型回歸——Blackburn 等人。在這裡應用典型回歸來梳理股票的關聯。
我不是在尋找神經網路、SVM 或其他機器學習論文的連結。我正在尋找生物資訊學和遺傳學領域傳統方法的創造性和新穎擴展，用於生成美國股票的阿爾法或風險模型？
例如，生物資訊學已經開發了多種貪婪搜尋算法來辨識哪些類型的性狀會產生某些表型。是否有一篇論文將生物資訊學領域的一些算法應用於美國股票，其中特徵可能是財務報表變數，而表型可能是回報結果？
我知道Carlos Carvalho（美國芝加哥）在股票和遺傳學領域都做過創新工作，記得他曾在這些方面進行過一些研究。
你的問題很奇怪：所以你不想使用受生物資訊和遺傳學啟發的方法（神經網路、遺傳算法、折疊幾何等），而是在這些領域使用的方法？
在建模方面，生物資訊和遺傳學存在的問題主要有：
- 樹或圖匹配（在分子空間中建構度量），如SIGMA：基於集合覆蓋的不精確圖匹配算法，作者：Misael Mongiovi、Raffaele Di Natale、Rosalba Giugno、Alfredo Pulvirenti、Alfredo Ferro、Roded Sharan ，生物資訊學和計算生物學雜誌，卷。8, No. 2. (2010), pp. 199-218
- 動力學系統的擬合（以辨識化學轉化的動力學），例如在生物化學建模中。從生化動力學到系統生物學，作者：Peter Schuster，Monatshefte für Chemie / Chemical Monthly，Vol。139，第 4 期。（2008 年 4 月 1 日），第 427-446 頁
- 離散狀態空間中的預測（將分子的公式與其屬性之一相關聯），如蛋白質的分子建模和蛋白質結構的數學預測，作者：Arnold Neumaier，在 SIAM 評論，卷。39 (1997)，第 407-460 頁
它與通常的數據探勘、統計或應用數學問題很接近，因此主要區別在於啟發式方法，以考慮問題的某些特殊性以避免某些局部最小值或提高收斂速度。
我認為你沒有發現任何你認為期望的*新東西。*準確辨識問題會更有效，例如嘗試將它們中的每一個放入以下 jar 中：
- 持續優化
- 離散優化（狀態空間沒有明顯的度量）
- 存在不確定性的估計
- 連續預測（包括後向和前向 PDE 問題、ARMA、GARCH 等）
- 異常值的辨識
然後回顧經典方法（請注意，即使在Der Mann Ohne Eigenschaften，作者：Robert Musil (1930)中，您也清楚地描述了Ulrich作為數學家的日常工作，您對此類建模有描述，所以沒有在這一切中確實是新事物），並嘗試開發適合您實際情況的啟發式方法。我認為最好非常了解開發適應性啟發式方法的理論缺陷和要點，而不是閱讀為其他領域開發的啟發式方法。