An Outlook on Correlations in Stock Prices
本文对股票价格时间序列相关性的研究进行了展望，讨论了“资产树”的构造和应用。这里讨论的主题应该说明复杂的经济系统（金融市场）是如何丰富物理学家长期研究的现有动力系统的列表的。
2006-05-29 physics.soc-ph q-fin.ST
Description of dynamics of stock prices by a Langevin approach
我们提出了一个时间依赖的股票价格的动态朗之万描述。基于一个简单的滑动窗口算法，从一个依赖于时间的线性回复力的角度讨论了股票价格的波动，该恢复力是由金融时间序列估计的Langevin方程中漂移参数的线性近似.通过选择合适的加权因子进行线性逼近，推导出金融时间序列的自相关性与回复力的动态效应之间的关系。我们特别分析了S $&$ P500指数1950 - 1999年的日对数收益率。从回复力的斜率系数和均衡位置两个方面考察了恢复力对价格演变的意义。从统计和理论分析得到的新的简单形式的回复力表明，朗之万方法可以有效地反映价格演变的宏观和细节性质。
2005-11-14 physics.soc-ph q-fin.ST
Power law for ensembles of stock prices
本文定量研究了{ \it股票价格}系综的统计性质。我们选择了在东京证券交易所交易的1200只股票，并形成了从1988年1月4日到1992年12月30日的5年期间每个交易日的每日股票价格的统计集合。我们发现，合奏的互补累积分布函数的尾部准确地描述了幂律分布的指数，在$ 1.7 < α< 2.2 $的范围内移动。
2006-03-17 cond-mat.stat-mech physics.soc-ph q-fin.ST
The Time Function of Stock Price
本文将股票价格与时间的定量关系定义为一个时间函数。基于股票对数收益率是白噪声序列的经验证据，建立了描述股票价格运动现象的整数白噪声数学模型。运用演绎方法推导出股价运动的自相关函数、位移公式和功率谱密度，不仅揭示了股价运动的特征和规律，而且揭示了股价的可预测性。为证券投资的价格分析、预测和风险管理提供了演绎基础。
2023-02-20 q-fin.ST
On the short-term influence of oil price changes on stock markets in GCC countries: linear and nonlinear analyses
本文研究了石油价格和海湾合作委员会股票市场之间的短期关系。由于海湾合作委员会国家是世界能源市场的主要参与者，它们的股票市场可能容易受到石油价格冲击的影响。为了解释股票市场对石油价格冲击的非线性反应，我们研究了线性和非线性关系。我们的研究结果表明，在卡塔尔、阿曼和阿联酋，这两个变量之间存在显著联系。因此，这些国家的股票市场对油价上涨作出积极反应。对于巴林、科威特和沙特阿拉伯，我们发现油价变化不会影响股票市场回报。
2009-05-24 q-fin.ST
New procedures for testing whether stock price processes are martingales
我们提出了基于限价订单型投注策略的股票价格过程是否为鞅的检验方法。我们首先证明了基于一个投注策略的资本过程，可以检验股票价格过程的鞅性质的原假设。特别是高频马尔可夫型策略，我们发现，鞅零假设被拒绝许多股票价格过程。
2010-02-28 q-fin.ST
Volatilities That Change with Time: The Temporal Behavior of the Distribution of Stock-Market Prices
虽然波动率的使用在整个金融领域都很普遍，但我们确定股票瞬时波动率的能力才刚刚起步。在这里，我们提出了一种方法来衡量股票的时间行为，并表明，股票价格为24 DJIA股票遵循一个随机过程，描述了一个有效定价的股票，同时使用的波动率随时间的变化确定性。我们发现，经常观察到的，异常大的峰度是由于波动率的时间变化。我们的方法可以解决的波动性和漂移的股票一样快，一天使用每日收盘价的变化。
2010-07-29 q-fin.ST
Tremor price dynamics in the world's network of stock exchanges
我们从地球构造板块运动的模型中获得了对世界证券交易所价格动态中压力的建立和释放的新理解。由于人类对大变化的反应不成比例的行为属性，非线性进入模型。这种非线性响应使我们能够将给定股票指数的价格变动分类为由于所讨论的国家的特定经济新闻而产生的，或者是由世界证券交易所的整体反应一起像一个复杂的系统。在结构上类似于金融学中的资本资产定价模型，该模型预测了个体证券交易所应该如何根据全球交易所市场的表现进行定价，但定价中包含了人类行为特征。该模型的一些假设是根据世界上24个主要证券交易所的经验数据验证的。我们展示了如何门槛效应可以导致同步的全球网络的证券交易所。
2009-12-18 physics.soc-ph q-fin.GN q-fin.ST
Stock price jumps: news and volume play a minor role
为了了解股票价格跳跃的起源，我们将股票收益率的高频时间序列与不同的新闻源进行交叉相关。我们发现，无论是特质性消息还是市场广泛的消息都不能解释价格跳跃的频率和幅度。我们发现，围绕跳跃和围绕消息的波动模式是完全不同的：跳跃之后是波动性增加，而消息往往是平均跟随较低的波动性水平。波动率松弛的形状在两种情况下也明显不同。最后，我们提供了直接的证据表明，大的交易量是_不_负责大的价格跳跃。我们推测，大多数价格跳跃是由接近流动性消失点的订单流波动引起的。
2008-03-12 physics.data-an physics.soc-ph q-fin.ST
Correlation of coming limit price with order book in stock markets
当限价订单出现时，我们检查限价与订单簿的相关性。我们分析了伦敦证券交易所的集中指令簿市场--证券交易所电子交易服务的重建指令簿。因此，根据幂律，限价广泛分布在最佳价格周围，并且它不是从分布中随机抽取的，而是与价格上累积未执行限价订单的大小有很强的相关性。研究还发现，在粗粒度的价格尺度上，限价价格倾向于聚集在具有大量累积未执行限价订单的价格周围。
2007-02-04 physics.data-an physics.soc-ph q-fin.ST
Collective behavior of stock prices in the time of crisis as a response to the external stimulus
本文利用格兰杰因果关系分析了美国和德国大公司股票价格之间的相互作用。我们认为，在危机时期，价格之间的成对格兰杰因果关系相互作用的增加是市场对外部事件或外部刺激的同时反应的结果，外部事件或外部刺激被认为是所有股票的共同驱动力，而不是价格本身之间真正的因果可预测性的结果。另一种方法，通过在单一股票价格序列的递归分析支持这一说法。通过在股票价格的几何布朗运动模型中加入一个乘法外生项作为外部因素的代表，来模拟股票价格中观察到的模式。总之，我们可以检测和模拟2007/2008年抵押贷款危机导致的大衰退的影响以及2020年初新冠肺炎爆发的影响
2022-05-09 q-fin.ST
Is there a bubble in LinkedIn's stock price?
最近的学术工作已经开发出一种方法来确定，在实时，如果一个给定的股票表现出价格泡沫。目前，金融媒体猜测LinkedIn最近IPO后存在价格泡沫。我们分析了该股票从2011年5月24日到2011年5月24日的短暂生命周期的股价数据，我们发现LinkedIn存在价格泡沫。
2011-05-28 q-fin.RM q-fin.ST
Cross-shareholding networks and stock price synchronicity: Evidence from China
本文研究了交叉持股对中国股票市场上市公司股价同步性的影响。我们衡量公司的交叉持股水平的交叉持股网络的中心性。实证结果表明，交叉持股是通过一个噪声消减过程来促进价格同步性和减少价格延迟的。更重要的是，这种对价格信息的影响在大公司和市场低迷时期是明显的。总的来说，我们的分析提供了深入了解所有权结构和价格信息之间的关系。
2019-03-05 q-fin.ST
Statistical Properties and Pre-hit Dynamics of Price Limit Hits in the Chinese Stock Markets
一些股票市场（尤其是新兴市场）采用涨跌停板交易规则，试图冷却交易员对个股的短线交易狂热，提高市场有效性。在这种微观结构下，股票可能会不时触及涨停板和跌停板。然而，由于美国市场和大多数欧洲市场等主要股票市场没有设置价格限制，因此对价格限制的行为没有很好的研究。本文对2000 - 2011年上海证券交易所和深圳证券交易所所有A股普通股的高频数据进行了详细的分析，研究了涨停板的统计特性以及几个重要金融变量在股价涨停板前的动态演化。我们比较了上限命中和下限命中的性质。我们还将整个时期分为三个看涨时期和三个看跌时期，以揭示看涨和看跌市场状态下可能存在的差异。为了揭示股票市值对涨停板的影响，我们根据不同交易日的市值将所有股票分为六个投资组合。研究发现，涨跌幅限制交易规则具有冷却效应（反对磁铁效应），说明该规则在中国股票市场中有效。研究发现，在跌停后的下一个交易日，价格延续比价格反转更有可能发生，特别是对于跌停，这对市场从业者具有潜在的实用价值。
2015-03-12 q-fin.ST
Integration of Wavelet Transform Convolution and Channel Attention with LSTM for Stock Price Prediction based Portfolio Allocation
本文提出融合小波变换卷积、通道注意力与LSTM的股价预测方法，并据此构建四只股票的投资组合，实验表明该方法在疫后下行市场中仍具有稳健的收益与风险表现。
2025-07-04 q-fin.ST
Universal Behavior of Extreme Price Movements in Stock Markets
许多研究假设股票价格遵循一个称为几何布朗运动的随机过程。虽然这个模型大致正确，但它无法解释极端价格波动的频繁发生，如股票市场崩盘。使用从三个不同的股票市场收集的大量数据，我们提出的证据表明，随机模型的修改-添加一个缓慢的，但显着的，波动的标准差的过程-准确地解释了不同大小的价格变化的概率，包括极端运动的相对较高的频率。此外，我们表明，这一过程是类似的股票，使其价格波动的特点是由一个单一的曲线。由于价格波动的行为是植根于波动的特点，我们希望我们的结果带来更多的兴趣，随机波动率模型，特别是那些可以产生的波动率的属性在这里报告。
2009-12-30 q-fin.ST
Time series of stock price and of two fractal overlap: Anticipating market crashes?
我们发现两个康托集的重叠时间序列的功能突出的相似之处，当一个集移动均匀的相对速度超过其他和时间序列的股票价格。根据这些观察结果，本文提出了一些碰撞的预测方法。
2005-10-06 physics.data-an physics.soc-ph q-fin.ST
Interdependency between the Stock Market and Financial News
股票价格是由各种因素驱动的。特别是，许多金融知识相对较少的个人投资者在做出股票市场投资决策时严重依赖新闻报道的信息。然而，由于新闻的主观性，这些故事可能并不反映未来的股票价格;股票价格反而可能影响新闻内容。本研究旨在发现是新闻还是股票价格对另一个有更大的影响。为了实现这一点，我们分析了新闻情绪和股票价格之间的关系，基于时间序列分析，使用五种不同的分类模型。我们的实验结果表明，股票价格对新闻内容的影响大于新闻对股票价格的影响。
2019-09-01 cs.IR q-fin.ST
Text Mining of Stocktwits Data for Predicting Stock Prices
The University of Sydney（悉尼大学）
股票价格预测可以通过考虑价格波动和了解人们的情绪来提高效率。有限数量的模型理解金融术语或标记了有关股票价格变化的数据集。为了克服这一挑战，我们引入了FinALBERT，这是一个基于ALBERT的模型，通过根据股票价格变化标记Stocktwits文本数据来处理金融领域文本分类任务。我们为25家不同的公司收集了超过10年的Stocktwits数据，包括五大FAANG（Facebook，亚马逊，苹果，Netflix，谷歌）。这些数据集被标记为基于股票价格变化的三种标记技术。我们提出的模型FinALBERT使用这些标签进行微调，以实现最佳结果。我们通过在传统机器学习、BERT和FinBERT模型上训练标记数据集来进行实验，这有助于我们理解这些标签在不同模型架构下的表现。我们的标记方法的竞争优势在于它可以帮助有效地分析历史数据，并且可以轻松定制数学函数来预测股票走势。
2021-03-13 cs.LG q-fin.ST
Collective behavior of stock price movements in an emerging market
为了研究在不同的市场中的相互作用的结构的普遍性，我们分析了交叉相关矩阵C的股票价格波动在印度国家证券交易所（NSE）。我们发现，这个新兴市场表现出很强的相关性，在股票价格的运动相比，发达市场，如纽约证券交易所（NYSE）。这是由于一个共同的市场模式对股票价格的主导影响。相比之下，相关种群之间的相互作用，例如，属于同一行业的企业则要弱得多。新兴市场缺乏独特的行业特征，这一点通过重建相互作用的股票网络得到了明确的体现。NSE的C的谱分析揭示，少数最大特征值偏离随机矩阵理论预测的大部分谱，但它们在数量上远少于，例如，纽约证券交易所我们表明，这是由于行业内股票之间的相互作用相对较弱，相比市场模式，通过建模股票价格动态与两个因子模型。我们的研究结果表明，出现了一个内部结构，包括多组强耦合组件是市场发展的标志。
2007-11-05 cond-mat.other physics.data-an physics.soc-ph
Multifractal Properties of Price Fluctuations of Stocks and Commodities
我们分析了29种商品和2449种股票的每日价格，每种都是在$\approx 15$年的时间内。我们发现，商品的价格波动有一个显着更广泛的多重分形谱比股票。我们还建议，股票和商品的多重分形属性可以主要归因于价格波动的广泛的概率分布，其次是他们的时间组织。此外，我们提出，对于商品，更强的高阶相关性的价格波动导致更广泛的多重分形谱。
2003-08-01 cond-mat.stat-mech q-fin.ST
A Hybrid Deep Learning Framework for Stock Price Prediction Considering the Investor Sentiment of Online Forum Enhanced by Popularity
Central South University（中南大学）
本文提出一种结合在线论坛投资者情绪与流行度因素的混合深度学习框架，用于提升股票价格预测的准确性。
2024-05-17 cs.CL cs.LG q-fin.ST
Modeling stock price dynamics on the Ghana Stock Exchange: A Geometric Brownian Motion approach
本研究采用几何布朗运动模型对加纳证券交易所五只股票的周度和月度收益进行建模，估计参数并预测三个月，通过均方误差评估，发现预期价格与实际价格高度吻合，且实际价格均在置信区间内。
2024-03-19 math.OC q-fin.ST
Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models
Praxis Business School（普拉克西斯商学院）
股票价格和股票价格运动模式的预测一直是一个关键的研究领域。虽然众所周知的有效市场假说排除了准确预测股票价格的任何可能性，但文献中有正式的命题证明了预测系统的准确建模，可以使我们以非常高的准确度预测股票价格。在本文中，我们提出了一套基于深度学习的回归模型，可以在股票价格预测中获得非常高的准确性。为了建立我们的预测模型，我们使用了2012年12月31日至2015年1月9日期间在印度国家证券交易所（NSE）上市的知名公司的历史股价数据。股票价格在一周内的每个工作日每隔五分钟记录一次。利用这些极其精细的股价数据，我们构建了四个卷积神经网络（CNN）和五个基于长短期记忆（LSTM）的深度学习模型，用于准确预测未来股价。我们提供了详细的结果，我们提出的所有模型的预测精度的基础上，他们的执行时间和均方根误差（RMSE）值。
2021-01-02 cs.LG q-fin.ST
Power Law Distributions for Stock Prices in Financial Markets
本文研究了四个证券市场上市公司股票价格收益率的秩分布、累积概率和概率密度。我们发现，股票价格的等级分布和累积概率的交易是近似符合齐普夫定律或幂律。本文还得到了上市股票的归一化收益率的概率密度几乎具有指数函数的形式。我们的结果与其他数值计算进行了比较。
2004-12-01 cond-mat.other q-fin.ST
Stock prices assessment: proposal of a new index based on volume weighted historical prices through the use of computer modeling
Universidade de São Paulo（圣保罗大学）
考虑成交量来分析股票价格走势的重要性可以被认为是金融领域广为接受的做法。然而，当我们审视这一领域的科学生产时，我们仍然无法找到一个统一的模型，其中包括用于种群评估目的的数量和价格变化。在本文中，我们提出了一个计算机模型，可以弥补这一差距，提出了一个新的指数来评估股票价格的基础上，他们的历史价格和交易量。除了该模型可以被认为是数学上非常简单，它能够显着提高与真实的金融数据操作代理的性能。基于所获得的结果，也非常直观的逻辑，我们的模型，我们相信，在这里提出的指数可以是非常有用的，以帮助投资者的活动，确定理想的价格范围买卖股票在金融市场。
2012-09-13 cs.LG q-fin.ST
A Stochastic Model for Illiquid Stock Prices and its Conclusion about Correlation Measurement
Makerere University；Western University Canada（加拿大韦仕敦大学）
针对非流动性股票价格长时间不变的问题，结合马尔可夫模型与指数Ornstein-Uhlenbeck模型或几何布朗运动建模，发现非流动性导致股票间相关性被低估。
2025-09-09 q-fin.ST
A Comparative Predicting Stock Prices using Heston and Geometric Brownian Motion Models
本文提出了一种新的方法来预测股票价格的技术分析。通过利用伊藤引理和Euler-Maruyama方法，研究人员开发了赫斯顿和几何布朗运动模型，这些模型考虑了波动率、利率和历史股价来生成预测。研究结果表明，这些模型在准确预测股票价格方面是有效的，并且优于常用的统计指标。作者的结论是，这种技术分析为基础的方法提供了一个有前途的解决方案，股票市场预测。
2023-02-15 cs.NA math.NA q-fin.ST
Classification-Based Analysis of Price Pattern Differences Between Cryptocurrencies and Stocks
本研究通过对同期加密货币与股票价格时间序列进行机器学习分类，发现两者价格模式差异显著，提取的统计特征可有效解释该差异，揭示了加密货币投资者与股票投资者的交易行为不同。
2025-04-17 q-fin.ST
Strategic behaviour and indicative price diffusion in Paris Stock Exchange auctions
我们报告法国股票开盘和收盘拍卖的统计数据，重点是指示性拍卖价格的扩散特性。随着拍卖结束时间的临近，两种机制在起作用：典型的价格变化幅度减小，有利于扩散不足，而这些事件的发生率增加，可能导致过度扩散。第三种机制是由交易者的策略行为引起的，它需要产生近乎扩散的价格：等待提交买入指令，直到卖出指令降低了指示价格，反之亦然。
2018-07-02 q-fin.ST
DSE Stock Price Prediction using Hidden Markov Model
股票市场预测是一个经典的问题，已经使用基于机器学习和人工神经网络的工具和技术进行了彻底的研究。这个问题的有趣方面包括其时间依赖性以及其波动性和其他复杂关系。为了将它们结合起来，隐马尔可夫模型（HHHRM）被用来预测股票的价格。我们展示了最大后验概率（MAP）HMM方法预测股票价格为第二天的基础上以前的数据。通过分析股票价格的分数变化以及日内最高和最低值来训练HMM。然后，它被用来产生第二天所有可能的股票价格的MAP估计。在我们的工作中展示的方法是相当普遍的，可以用来预测任何公司的股票价格，因为HMM是在该公司的股票数据集的数据集上训练的。我们使用一些广泛使用的回归问题的准确性度量来评估我们的模型的准确性，并得出了令人满意的结果。
2023-01-26 cs.CE q-fin.ST
Defining an intrinsic stickiness parameter of stock price returns
我们引入了一个非线性的股票收益定价模型，定义了一个粘性参数的回报。该定价模型类似于金融中使用的资本资产定价模型，但具有受地震构造板块运动模型启发的非线性成分。与板块运动的联系是存在的，因为一个给定的股票指数的价格波动被认为会增加其个股回报组成部分的压力，以便跟随指数。个股跟随指数价格走势的紧密程度可以用来定义它们的粘性
2020-05-05 q-fin.GN q-fin.ST
Stylized facts of price gaps in limit order books: Evidence from Chinese stocks
价差定义为限价订单簿（LOB）同一侧前两个被占用价格水平之间的对数价差，是市场深度的关键决定因素，市场深度是流动性的一个维度。然而，价格差距的属性还没有得到彻底的研究，由于可用的频率数据较少。本文利用2003年深圳证券交易所上市的26只A股股票的订单流数据，对LOB动态进行了重构。三个关键的实证统计性质的价格差距进行了研究。我们发现，价格差距的分布有一个幂律尾所有股票的平均尾部指数接近3.2。应用现代统计方法，证实了林隙时间序列具有长程相关性和多重分形性质。这三个特征因股票而异，并不具有普遍性。此外，我们还揭示了个股LOB买卖双方价差特性中的买卖不对称现象。这些发现加深了我们对普通股流动性动态的理解，并可用于校准基于代理的计算金融模型。
2014-05-06 q-fin.ST q-fin.TR
Collective behavior of stock prices as a precursor to market crash
2008年10月，雷曼兄弟公司破产3周后，全球各主要证券交易所发生了全球性的股市崩盘。9月15日。本文以伦敦证券交易所上市的富时100指数成分股为研究对象，考察了股票收益率的集体行为，并分析了整个市场的集体模式。在市场崩溃之前，观察到集体行为的急剧上升。它被证明与包括“金融危机”在内的新闻有关。“它们并没有单独严重影响股价，但它们加剧了股票市场参与者普遍存在的悲观情绪。在雷曼兄弟（Lehman）冲击之后，市场崩盘之前，此类消息有所增加。方差随着新闻量的增加而增加，并遵循幂律。
2011-11-20 q-fin.ST
A Robust Predictive Model for Stock Price Prediction Using Deep Learning and Natural Language Processing
NSHM Knowledge Campus（NSHM知识学院）
股票价格未来走势的预测一直是许多研究工作的主题。有大量的文献对股票价格的技术分析，其目的是确定股票价格走势的模式，并从中获得利润。提高预测精度仍然是这一研究领域最大的挑战。我们提出了一种使用机器学习、深度学习和自然语言处理的混合方法来预测股价走势。我们选择印度国家证券交易所的NIFTY 50指数值，并收集其三年（2015年至2017年）的每日价格变动。基于2015年至2017年的数据，我们使用机器学习建立了各种预测模型，然后使用这些模型预测NIFTY 50在2018年1月至2019年6月期间的收盘价，预测范围为一周。为了预测价格走势模式，我们使用了一些分类技术，而为了预测股票的实际收盘价，我们使用了各种回归模型。我们还构建了一个基于长期和短期记忆的深度学习网络来预测股票的收盘价，并将机器学习模型的预测精度与LSTM模型进行了比较。我们通过在twitter数据上集成情绪分析模块，将公众对股票价格的情绪与市场情绪相关联，进一步增强了预测模型。这是通过使用twitter情绪和前一周收盘价来预测下周的股价走势。我们使用基于自组织模糊神经网络的交叉验证方法测试了我们提出的方案，发现了非常有趣的结果。
2019-12-09 cs.LG q-fin.ST
Crossing Stocks and the Positive Grassmannian I: The Geometry behind Stock Market
股票市场的所有相关信息似乎不太可能完全编码在一个几何形状中。尽管如此，本论文将揭示股票市场交易背后的几何学。市场指数（DJIA）股票成分的价格从左边最小的到右边最高的按升序排列。在这种安排中，由于股票价格因每日市场报价而变化，可以注意到某只股票的价格高于/低于相邻股票的价格。这些股票交叉了。这样安排，连续股票交叉点的图只不过是一个排列图。从这一点上，金融和组合的概念是网状在一起，建立一个桥梁连接股票市场的一个美丽的几何对象，将被称为股票市场多面体。股票市场的多胞形与显著的正格拉斯曼结构相联系。该过程使得编码在股票市场多面体的几何形状中的关于股票市场的所有相关信息更可读。
2014-02-09 q-fin.ST
Hierarchical structure of stock price fluctuations in financial markets
金融市场和动荡由于相同的定量方法和几个共同的程式化事实而被广泛地比较。本文应用She-Leveque（SL）体系来研究和量化金融市场中股票价格波动的层次结构，该体系用于解释流体湍流中速度波动的标度指数偏离Kolmogorov单分形标度的现象.因此，我们观察到一些有趣的结果：（i）与多重分形标度相关的层次结构普遍存在于我们研究的所有股票价格波动中。(ii)发达金融市场与新兴市场之间描述SL层次结构的定量统计参数存在明显差异。(iii)对于高频股票价格波动，不同时间段的层次结构不同。这些结果为研究金融市场的波动性和金融市场动力学提供了一个新的类比，也为深入理解金融市场的多重分形性提供了一个新的视角。
2012-09-19 q-fin.ST
StockBot: Using LSTMs to Predict Stock Prices
已经尝试使用许多方法来评估金融市场以预测其行为，从而做出明智和有利可图的投资决策。由于高度非线性的趋势和相互依赖性，往往很难制定一个统计方法来阐明整个市场行为。为此，我们提出了一个基于长短期记忆（LSTM）的模型，该模型利用时间序列数据的序列结构来提供准确的市场预测。然后，我们开发了一个决策StockBot，在一天结束时买入/卖出股票，目标是利润最大化。我们成功地展示了一个准确的预测模型，因此我们的StockBot可以超越市场，并可以制定策略，获得比市场上最激进的ETF高出约15倍的收益。
2022-07-30 q-fin.ST
Gain/loss asymmetry in time series of individual stock prices and its relationship to the leverage effect
以前的研究表明，对于股票指数，直到观察到特定规模的回报的最有可能的时间是收益比损失更长。我们建立了这种所谓的收益/损失不对称性也存在于个股，并表明这种现象与众所周知的杠杆效应密切相关-在EGESTO模型和修改后的延迟波动率模型中，控制杠杆效应大小的相同参数也控制收益/损失不对称性。
2009-11-25 q-fin.ST
Modeling record-breaking stock prices
本文研究了标准普尔500指数中366只股票的日股价破纪录事件的统计。讨论了每日股票价格中的记录事件和每日收益中的记录。在这两种情况下，我们都试图用简单的理论模型来描述股票数据的记录统计。每日收益与i.i.d. RV的和股票价格建模使用有偏随机游走，其中记录的统计数据是已知的。这些模型与股票数据的行为部分一致，但我们也发现了一些有趣的偏差。最重要的是，与随机游走模型相比，股票中的记录数量似乎系统地减少了。考虑自回归AR（1）过程，我们可以更准确地预测每日股票价格的记录统计量。我们还将股票数据与更复杂的GARCH（1，1）模型的记录统计模拟进行了比较，GARCH（1，1）模型与AR（1）模型相结合，与观测数据最吻合。为了更好地理解我们的研究结果，我们讨论了股票价格在一定时间间隔内的生存时间和首次通过时间，并分析了单个记录事件之间的相关性。在概括了N只股票集合的记录统计的一些最新结果之后，我们还提出了一些新的观察记录事件的周分布。
2013-07-08 physics.data-an q-fin.ST stat.AP
Modeling and analysis of the effect of COVID-19 on the stock price: V and L-shape recovery
新型冠状病毒疫情的出现是一个全新的风险因素，由于投资者迅速同步抛售，导致股价暴跌。然而，在短时间内，优质行业开始从底部复苏。基于机构投资者的净资金流（$Ψ_t$）和公司的金融反脆弱性（$ϕ$），建立了危机期间的股票价格模型。我们假设在崩溃期间，股票价格的下跌与$ϕ$无关。本文利用由合成和真实资金流数据得到的$Ψ_t$，研究了危机期间冲击长度和$ϕ$对股票价格的影响。我们观察到，恢复的可能性与$ϕ>0$股票，被称为优质股票，减少增加冲击长度超过一个特定的时期。具有较高$ϕ$的优质股票表现出V形恢复，并且优于其他股票。优质股票的冲击长度和恢复期几乎相等，这在印度市场上是可以看到的。财务压力大的股票，即，含$ϕ<0$的种群在大流行期间呈现L形恢复。股票数据和模型分析表明，投资者在COVID-19等不确定性下，投资于优质股票以重组其投资组合以降低风险。该研究有助于投资者在危机中做出正确的投资决策。
2020-11-10 nlin.CD q-fin.ST
Asymptotic Behavior of the Stock Price Distribution Density and Implied Volatility in Stochastic Volatility Models
研究了具有随机波动率的股票价格模型中分布密度的渐近性态。本文主要研究Stein-Stein模型和Heston模型中波动率平方过程的时间平均数的密度和股票价格过程的密度。我们发现这些密度的渐近展开式中的主导项的明确公式，并给出误差估计。作为结果的一个应用，得到了Stein-Stein和Heston模型下隐含波动率的精确渐近公式.
2009-06-01 q-fin.PR q-fin.ST
Quantifying immediate price impact of trades based on the $k$-shell decomposition of stock trading networks
股票市场的交易者交换股票并形成股票交易网络。在股票交易网络的不同位置的交易可能包含不同的信息。我们构建股票交易网络的基础上的限价订单簿数据和分类的$k$类使用$k$壳分解方法。通过比较封闭的国内市场（A股）和国际市场（B股）、个人和机构、部分成交和成交交易、买方发起和卖方发起的交易以及交易网络中不同位置的交易，研究了交易行为对价格影响的影响。机构交易者专业地使用一些交易策略来减少价格影响，并且在交易网络中处于相同位置的个人比机构具有更高的价格影响。我们还发现，在核心的行业有更高的价格影响比那些在外围壳。
2016-12-05 q-fin.ST q-fin.TR
Comparative Study of Machine Learning Models for Stock Price Prediction
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Department of Electrical & Computer Engineering（电气与计算机工程系）
在这项工作中，我们将机器学习技术应用于历史股票价格，以预测未来的价格。为了实现这一点，我们使用递归的方法，是适当的处理时间序列数据。特别是，我们将线性卡尔曼滤波器和不同种类的长短期记忆（LSTM）架构应用于10年（1/1/2011 - 1/1/2021）的历史股票价格。我们通过计算每只股票的预测值与历史值的误差来量化这些模型的结果。我们发现，在我们研究的算法中，一个简单的线性卡尔曼滤波器可以预测低波动性股票的第二天价值（例如，微软（Microsoft）令人惊讶地好。然而，在高波动性股票的情况下（例如，特斯拉）更复杂的LSTM算法明显优于卡尔曼滤波器。我们的研究结果表明，我们可以对不同类型的股票进行分类，然后为每种股票类型训练一个LSTM。该方法可用于自动生成目标回报率的投资组合。
2022-01-31 cs.LG q-fin.ST
Design and Analysis of Robust Deep Learning Models for Stock Price Prediction
Praxis Business School（实践商学院）；NSHM Knowledge Campus（NSHM知识园区）
建立预测模型，对股票价格和股票价格走势进行鲁棒和准确的预测是一个具有挑战性的研究问题。著名的有效市场假说认为，在一个有效的股票市场中，由于股票价格被假设为纯粹随机的，因此不可能准确地预测未来的股票价格。然而，研究人员提出的许多工作已经证明，使用复杂的算法，模型架构和模型中适当变量的选择，可以高精度地预测未来股票价格。本章提出了一系列基于深度学习架构的预测回归模型，用于对印度国家证券交易所（NSE）多元化行业上市股票的未来价格进行稳健而精确的预测。Metastock工具用于以5分钟的间隔下载两年（2013- 2014）的历史股票价格。虽然第一年的记录用于训练模型，但测试使用剩余的记录进行。详细介绍了各模型的设计方法和性能结果。还比较了模型的执行时间和预测精度。
2021-06-17 cs.LG q-fin.ST
Stock Price Forecasting in Presence of Covid-19 Pandemic and Evaluating Performances of Machine Learning Models for Time-Series Forecasting
随着2019冠状病毒病疫情期间股价波动加剧，对价格预测的需求变得更加迫切。我们研究了四个模型，包括长期-短期记忆，XGBoost，自回归和最后价值对Facebook，亚马逊，特斯拉，谷歌和苹果股票价格在COVID-19大流行时期的预测性能，以了解模型在这个高度波动的时间区域的准确性和可预测性。为了训练模型，所有股票的数据被分成训练和测试数据集。测试数据集自二零二零年一月至二零二一年四月，涵盖COVID-19疫情期间。研究结果表明，由于前一天的股价与第二天的股价具有较强的相关性，自回归模型和最后值模型对股票价格的预测具有较高的准确性。此外，结果表明，当市场经历高波动时，机器学习模型（长短期记忆和XGBoost）的表现不如自回归模型。
2021-05-04 econ.EM q-fin.ST
Transformer-Based Deep Learning Model for Stock Price Prediction: A Case Study on Bangladesh Stock Market
Ahsanullah University of Science and Technology（阿赫桑努拉科技大学）；University of Dhaka（达卡大学）；International Islamic University Chittagong（吉大港国际伊斯兰大学）
本文首次将基于time2vec编码的Transformer模型应用于孟加拉国达卡证券交易所，利用历史日和周数据预测八只特定股票价格走势，实验显示其均方根误差可接受且结果良好。
2022-08-17 cs.LG q-fin.ST
Stock price direction prediction by directly using prices data: an empirical study on the KOSPI and HSI
School of Industrial Management Engineering, Korea University（高丽大学产业管理工程学院）；Harbin Institute of Technology（哈尔滨工业大学）
股票市场方向的预测可以作为短期投资者的早期推荐系统，也可以作为长期股东的早期财务危机预警系统。许多股票预测研究都集中在使用宏观经济指标，如CPI和GDP，来训练预测模型。然而，几乎不可能获得宏观经济指标的每日数据。因此，这些方法很难在实践中使用。本文提出了一种直接利用价格数据预测市场指数方向和股票价格方向的方法。对韩国综合股价指数（KOSPI）和恒生指数（HSI）以及指数中包含的单个成分股进行了对所提出方法的广泛实证研究。实验结果表明，在预测KOSPI和HIS中单个成分的运动时，命中率显着较高。
2017-01-07 cs.CE cs.LG q-fin.ST
StockTime: A Time Series Specialized Large Language Model Architecture for Stock Price Prediction
Virginia Tech（弗吉尼亚理工学院暨州立大学）；Texas A&M University - Corpus Christi（德州农工大学科珀斯克里斯蒂分校）；University of Hamburg（汉堡大学）
针对金融大模型在股价预测中存在的模态融合难、忽略时序特征、易受冗余信息干扰等问题，提出专门面向股价时序数据的StockTime架构，通过将股价视为连续token提取文本信息并融合多模态数据，实现更准确且低资源消耗的股价预测。
2024-08-25 cs.AI cs.CE cs.LG
Inverse Cubic Law for the Probability Distribution of Stock Price Variations
股票价格变化的概率分布的研究通过分析一个数据库（交易和报价数据库）记录的每一个交易的所有股票在三个主要的美国股票市场，为两年期1994年1月至1995年12月。提取了4000万个数据点的样本，这比迄今为止研究的样本要大得多。我们发现一个渐进的幂律行为的累积分布的指数α约为3，以及以外的利维制度0<α <2。
1998-05-11 cond-mat.stat-mech q-fin.ST
Stock Price Prediction using Dynamic Neural Networks
University of Florida（佛罗里达大学）
本文通过动态神经网络预测每日收盘股价，对比现有方法并反驳有效市场假说，支持混沌理论，最终提出应用建议。
2023-06-18 cs.CE cs.LG q-fin.ST
News-Driven Stock Price Forecasting in Indian Markets: A Comparative Study of Advanced Deep Learning Models
Pegasystems India Worldwide Pvt Ltd（佩加系统印度私人有限公司）；Vardhaman College of Engineering（瓦尔达曼工程学院）；Vasavi College of Engineering（瓦萨维工程学院）；D. K. College（D.K.学院）
本研究利用印度国家银行30年历史数据，结合LSTM、Facebook Prophet、SARIMA等深度学习模型及新闻情感分析，对印度市场股票价格进行预测比较研究。
2024-10-14 cs.LG q-fin.ST
Predicting the Stock Price of Frontier Markets Using Modified Black-Scholes Option Pricing Model and Machine Learning
Black-Scholes期权定价模型（BSOPM）长期以来一直被用于股票期权的定价，以确定股票的价格。本文利用BSOPM方法，提出了一种比较分析的方法和数值计算的技巧，分别求出了看涨期权和看跌期权的价格，并将这两个价格分别作为前沿市场股票的买入价和卖出价，从而可以预测股票的价格（收盘价）。对模型进行了修改，以找到计算前沿市场股票价格的参数执行价格和到期时间。为了验证使用修改后的BSOPM获得的结果，我们使用了机器学习方法，使用软件Rapidminer，其中我们采用了不同的算法，如决策树，集成学习方法和神经网络。已经观察到，使用机器学习对收盘价的预测与使用BSOPM获得的预测非常相似。机器学习方法是一种比BSOPM更好的预测方法，因为Black-Scholes-Merton方程包含了不断变化的风险和股息参数。我们还对波动率进行了数值计算。当股票的价格由于定价过高而走高时，波动性以巨大的速度增加，当波动性变得非常高时，市场往往会下跌，这可以使用我们修改后的BSOPM来观察和确定。基于量子物理学中薛定谔方程（和热方程）的类比，对提出的修正BSOPM进行了解释。
2018-12-27 q-fin.MF q-fin.ST
Stock Price Prediction Under Anomalous Circumstances
University of Rochester（罗切斯特大学）
股票市场波动复杂，2020年更是如此。由于COVID-19大流行等一系列全球和地区“黑天鹅”，美国股票市场在3月9日至16日的一周内三次触发熔断机制，这在历史上是前所未有的。受此影响，个别公司的股票价格也以任何预先开发的预测模型都无法预测的速度暴跌。它揭示了缺乏令人满意的模型，可以预测股票价格的变化时，灾难性的，极不可能的事件发生。为了填补这类模型的空白，并帮助防止投资者在不确定的时期遭受重大损失，本文旨在捕捉异常情况下股票价格的运动模式。首先，我们通过拟合一个标准的ARIMA模型来检测连续股票价格中的异常值，并确定预测与实际值显著偏离的点。使用选定的数据点，我们分别在个股水平、行业水平和一般市场水平上训练ARIMA和LSTM模型。由于公众情绪对股票市场的影响巨大，因此情绪分析也以情绪分数的形式纳入模型中，情绪分数是从Reddit上对特定股票的评论转换而来的。基于2016年至2020年期间100家公司的股票价格，该模型的平均预测准确率达到98%，可用于优化现有的预测方法。
2021-09-14 cs.LG q-fin.ST
