Financial Market Trend Forecasting and Performance Analysis Using LSTM
金融市场趋势预测方法是当今金融市场研究的热点。目前仍然存在许多挑战，并且已经积极地进行了与之相关的各种研究。特别是近年来，基于神经网络的金融市场趋势预测的研究引起了人们的广泛关注。然而，以往的研究并未涉及在时间序列数据中表现良好的基于LSTM的金融市场预测方法。基于神经网络的预测技术和传统预测技术的性能也缺乏比较分析。本文提出了一种基于LSTM的金融市场趋势预测方法，并通过实验分析了其与现有金融市场趋势预测方法的性能。该方法通过数据预处理过程准备输入数据集，从而反映金融数据分析中使用的所有基本面数据、技术数据和定性数据，并通过LSTM进行全面的金融市场分析。本文对现有的金融市场趋势预测模型的性能进行了实验和比较，并根据金融市场的环境进行了性能分析。此外，我们使用开源和平台实现了所提出的方法，并使用各种金融数据指标预测金融市场趋势。
2020-03-31 cs.LG q-fin.ST
Trends, Volatility, Correlations, and Critical Phenomena in Financial Markets
Zurich University of Applied Sciences, School of Engineering（苏黎世应用科学大学工程学院）
基于当前市场趋势预测未来波动率和相关性，发现趋势强度与波动率、相关性呈二次关系，改进风险预测并支持临界点晶格气体模型。
2026-06-19 cond-mat.stat-mech physics.data-an q-fin.MF
Trends, Reversion, and Critical Phenomena in Financial Markets
众所周知，所有资产类别的金融市场都会呈现趋势。几十年来，交易员一直在利用这些趋势。在这里，我们根据30年来股票指数、利率、货币和大宗商品的每日期货价格，以经验主义的方式衡量趋势何时逆转。我们发现，一旦达到统计显著性的临界水平，趋势往往会逆转。基于多项式回归，我们仔细测量了这个临界水平。我们发现，它在资产类别中是普遍的，并且具有普遍的缩放行为，因为趋势的时间范围从几天到几年不等。相应的回归系数很小，但统计上高度显着，证实了自举和样本外测试。我们的结果向投资者发出何时退出趋势的信号。它们还揭示了几十年来市场是如何变得更有效率的。此外，他们指向一个潜在的深类比之间的金融市场和临界现象：我们的分析支持的猜想，金融市场可以建模为统计机械合奏的买/卖订单附近的临界点。在这个类比中，趋势强度扮演着序参量的角色，其动态可以用一个具有四次势的朗之万方程来描述。
2020-12-11 cond-mat.stat-mech hep-th q-fin.PM
Co-existence of Trend and Value in Financial Markets: Estimating an Extended Chiarella Model
趋势和价值是所有金融市场普遍存在的异常现象。我们解决的问题，他们的共存和互动的框架内的异构代理模型（HABM）。更具体地说，我们扩展了Chiarella（1992）的模型，增加了噪声交易者和原教旨主义者的非线性需求。我们使用贝叶斯过滤技术来校准自1800年以来各种资产类别价格的时间序列模型。基本价值是校准的输出，不需要使用外部定价模型。我们的扩展模型再现了许多经验观察，包括过去的趋势和未来的回报之间的非单调关系。趋势追随者的不稳定活动导致错误定价分布的质的变化，从单峰到双峰，这意味着一些市场往往在很长一段时间内被高估（或低估）。
2018-07-31 q-fin.ST
Predicting financial markets with Google Trends and not so random keywords
我们检查了Google趋势数据包含足够数据来预测未来金融指数回报的说法。我们首先讨论许多微妙的（和不那么微妙的）偏见，可能会影响回测的交易策略，特别是当基于这样的数据。不出所料，关键词的选择是至关重要的：通过使用行业级的回测系统，我们验证了随机金融相关的关键词不包含更多的可利用的预测信息比随机关键词相关的疾病，老爷车和街机游戏。然而，我们发现，在合适的资产上应用其他关键词会产生稳健的盈利策略，从而证实了Preis等人的直觉。
2014-03-18 q-fin.ST
CLVSA: A Convolutional LSTM Based Variational Sequence-to-Sequence Model with Attention for Predicting Trends of Financial Markets
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
金融市场是一个复杂的动力系统。这种复杂性来自于市场与参与者之间的相互作用，即市场整体参与者活动的综合结果决定了市场的走势，而市场走势又影响着参与者的活动。这些相互交织的相互作用使得金融市场不断发展。受随机递归模型的启发，该模型成功地捕获了在语音和视频等自然序列数据中观察到的可变性，我们提出了CLVSA，这是一种混合模型，由随机递归网络，序列到序列架构，自我和相互注意机制以及卷积LSTM单元组成，以捕获原始金融交易数据中的可变基础特征。基于2010年1月至2017年12月的六个期货的回测结果，我们的模型优于基本模型，如卷积神经网络，香草LSTM网络和带注意力的序列到序列模型。我们的实验结果表明，通过引入一个近似后验，CLVSA利用一个额外的正则化的基础上Kullback-Leibler分歧，以防止自己过拟合陷阱。
2021-04-08 cs.LG q-fin.CP q-fin.ST
Spurious trend switching phenomena in financial markets
观察幂律的时间极值的波动性，成交量和intertrade时间，从毫秒到年，结果直接从选择有偏见的统计子集的实现，否则无特征的过程，如随机游走。这种偏差源于对价格峰值的选择，这种选择对价格变化和贸易量的统计数据施加了一个条件，从而扭曲了它们的分布。对于跨交易时间，极值和幂律是由交易数据的格式决定的。
2011-12-16 q-fin.GN q-fin.ST
A multi-scale symmetry analysis of uninterrupted trends returns of daily financial indices
我们提出了一个对称性分析不同的金融指数的变化的分布，通过由作者开发的对称性统计Einmahl和Mckeague的基础上的统计程序。我们将这种统计方法应用于金融不间断的每日趋势回报和其他衍生的可观察数据。在我们看来，为了研究分布对称性，趋势收益率比常用的每日财务收益率提供了更多的优势;最重要的两个是：1）趋势收益率涉及不同时间尺度上的采样，2）通过构造，这个变量时间序列包含实际上相同数量的非负和负条目值。我们还表明，这些时间多尺度回报显示分布双峰。本文分析的每日金融指数包括墨西哥IPC、美国DJIA、德国DAX和日本日经指数，涵盖时间段为1991年8月11日至2017年6月30日。我们表明，在本文所考虑的时间尺度分辨率和重要性，它几乎总是可行的找到一个区间的可能的对称点包含一个最合理的对称点表示为C。最后，我们研究的时间演变的C表明，这一点很少是零，并响应极端的市场事件的敏感性。
2019-08-27 econ.EM q-fin.ST
Cross-Lingual News Event Correlation for Stock Market Trend Prediction
National University of Sciences and Technology（国立科技大学）；Bahria University（巴里亚大学）；Prince Sultan University（苏丹王子大学）
本文构建结构化金融数据集并提出跨语言自然语言金融预测流水线，结合情感分析、命名实体识别和语义相似度，揭示新闻事件与股市趋势的关联，为投资者提供决策支持。
2024-09-16 cs.LG q-fin.ST
Trends and Reversion in Financial Markets on Time Scales from Minutes to Decades
本文实证分析了多类金融资产在数分钟至数十年间的趋势与回复现象，发现市场在几小时至几年间呈趋势状态，其余尺度呈回复状态，并结合格气模型对结果进行了解释。
2025-05-30 cond-mat.stat-mech q-fin.MF q-fin.ST
Financial Time Series Prediction Using Deep Learning
在这项工作中，我们提出了一种数据驱动的端到端深度学习方法，用于时间序列预测，并应用于金融时间序列。一个深度学习方案被用来预测纽约证券交易所或纳斯达克的股票和ETF的时间趋势。我们的方法是基于一个神经网络（NN），该网络应用于原始金融数据输入，并经过训练以预测股票和ETF的时间趋势。为了处理基于佣金的交易，我们得到了一个投资策略，利用NN的概率输出，并优化平均回报。所提出的计划，以提供统计上显着的准确预测金融市场的趋势，和投资策略被证明是有利可图的，在这个具有挑战性的设置。性能与当代基准相比，在两年的回溯测试中表现良好。
2017-11-11 eess.SP q-fin.ST
The DEBS 2022 Grand Challenge: Detecting Trading Trends in Financial Tick Data
Infront Financial Technology GmbH（英富朗金融科技有限公司）；Technical University of Munich（慕尼黑工业大学）；Infront Quant AG（英富朗量化股份公司）；University of Toronto（多伦多大学）
DEBS Grand Challenge（GC）是一项面向学术界和工业界从业者的年度编程竞赛。GC 2022版专注于由盈方金融科技有限公司提供的大容量报价数据的实时复杂事件处理。挑战的目标是有效地计算特定的趋势指标，并检测这些指标中的模式，就像现实生活中的交易者在金融市场中决定买入或卖出时所使用的模式一样。用于基准测试的数据集Trading Data包含2.89亿个tick事件，这些事件来自2021年整整一周内在阿姆斯特丹（NL），巴黎（FR）和法兰克福（GER）三大交易所交易的约5500多种金融工具。这套数据是公开提供的。除了正确性和性能，提交必须明确关注可重用性和实用性。因此，参与者必须解决特定的非功能性需求，并要求在开源平台上构建。本文描述了所需的场景和数据集Trading Data，定义了问题陈述的查询，并解释了对评估平台Challenger的增强，该平台处理数据分发，动态订阅和提交的远程评估。
2022-06-23 cs.DC cs.LG q-fin.ST
An exploration of the mathematical structure and behavioural biases of 21st century financial crises
本文对比2022年乌克兰入侵引发的金融危机与21世纪三次重大危机的市场动态，提出新的数学技术、线性算子方法和随机采样驱动的组合优化框架，研究危机下的投资策略与收益表现。
2023-09-30 q-fin.ST
Public Concern and the Financial Markets during the COVID-19 outbreak
我们使用来自Google Trends的三个数据源（YouTube、Google News和Google Search）来衡量COVID-19疫情期间的公众关注度。我们的发现有三个方面。首先，意大利公众的关注被认为是其他国家关注的驱动力。其次，我们证明了意大利的谷歌趋势数据更好地解释了法国，德国，英国，美国和西班牙的股票指数回报率。最后，我们进行了随时间变化的分析，并确定在意大利封锁过程的每一步发生在金融市场的最严重的影响。
2020-05-14 q-fin.GN q-fin.ST
Forecasting non-stationary financial time series through genetic algorithm
我们利用最近开发的遗传算法，结合离散小波，进行成功的预测金融时间序列的趋势，其中包括纳斯达克综合指数。离散小波隔离这些非平稳时间序列中的局部小尺度变化，之后发现遗传算法的预测相当准确。傅立叶域中的幂律行为揭示了一个潜在的自仿射动力学行为，以及捕获的算法，在一个解析方程的形式。值得注意的是，同样的等式很好地反映了孟买证券交易所综合指数的趋势。
2005-07-18 nlin.CD physics.data-an q-fin.ST
Evidence and Behaviour of Support and Resistance Levels in Financial Time Series
本文研究了金融时间序列中的支撑位和阻力位（SR位）现象，SR位作为反转价格趋势的临时价格障碍。为此，我们开发了一个启发式发现算法，发现和评估SR水平的日内价格序列。我们简单的方法发现SR水平，能够扭转价格趋势的统计显着。资产价格进入SR水平之前，价格反弹次数较多，更有可能再次反弹到这样的SR水平。我们还表明，随着时间的推移，随着价格反弹的概率下降，发现SR水平的衰减方面。我们的结论是，SR水平是金融时间序列中的特征，不能简单地用AR（1）过程来解释，平稳或其他;它们有助于所研究的价格序列的临时可预测性和平稳性。
2021-01-19 q-fin.ST
Influence of deterministic trend on the estimated parameters of GARCH(1,1) model
金融时间序列的对数收益率通常是用平稳的GARCH（1，1）随机过程或它的推广来建模的，但它不能很好地描述原始序列中的非平稳确定性成分。我们使用蒙特卡罗模拟来分析确定性趋势对GARCH（1，1）参数的影响。统计集合包含由叠加在确定性趋势上的高斯（1，1）噪声组成的数字生成的时间序列。超过一年的金融时间序列的GARCH（1，1）参数特征不受去趋势误差的影响。我们还表明，如果的Gestival系数是大于Gestival系数，那么估计的Gestival（1，1）参数依赖于单调部分的趋势和趋势和噪声幅度之间的比率的数量。
2007-09-25 physics.data-an q-fin.ST
Predicting Financial Market Trends using Time Series Analysis and Natural Language Processing
ADA University（ADA大学）；George Washington University（乔治华盛顿大学）
本研究通过时间序列分析与自然语言处理，利用Twitter情绪和LSTM模型预测股票价格，发现情绪极性是主要影响因素，为投资决策提供参考。
2023-08-31 cs.AI cs.LG q-fin.ST
Can Google Trends search queries contribute to risk diversification?
投资组合多元化和积极的风险管理是金融分析的重要组成部分，在全球金融危机期间和之后变得更加重要（并受到质疑）。我们提出了一种新的方法来投资组合多样化，使用谷歌趋势上的搜索项的信息。多样化是基于这样一个想法，即通过搜索查询衡量的股票受欢迎程度与股票风险相关。我们通过给热门股票分配较低的投资组合权重来惩罚它们，并将不太受欢迎的股票或外围股票提前，以降低投资组合的总风险。我们的研究结果表明，这种策略优于基准指数和均匀加权的投资组合样本内和样本外。
2013-10-05 q-fin.PM q-fin.ST
A Hybrid Learning Approach to Detecting Regime Switches in Financial Markets
Western University（西安大略大学）
金融市场由于其动态性和随机性而引起研究者的极大兴趣。鉴于它们与世界人口、全球经济和资产估值的关系，理解、确定和预测趋势和制度非常重要。已经尝试通过采用机器学习方法来预测市场趋势，而统计技术已经是用于开发用于交易和对冲的市场状态转换模型的主要方法。在本文中，我们提出了一个新的框架，在美国金融市场内的政权切换的检测。主成分分析应用于降维和k-means算法被用作聚类技术。使用聚类分析和分类相结合，我们确定在金融市场的基础上公开的经济数据的制度。我们通过构建和评估两个基于检测机制的交易策略的性能来展示该框架的有效性。
2021-08-05 cs.LG q-fin.PM q-fin.RM
Predicting trend reversals using market instantaneous state
发生在金融市场的集体行为揭示了强烈的相关状态，特别是在危机时期。一个自然的假设是，趋势逆转也是由不同证券交易所之间的相互影响所驱动的。使用最大熵的方法，我们发现协调的行为在趋势反转占主导地位的成对分量。特别是，这些事件的预测具有很高的显着精度的合奏的瞬时状态。
2014-03-03 cond-mat.stat-mech q-fin.ST
A study on the leverage effect on financial series using a TAR model: a Bayesian approach
研究表明，在一定的数学条件下，门限自回归模型（TAR）可以根据其条件方差函数来表征杠杆效应。进一步得到了TAR模型弱平稳时三阶矩和四阶矩的解析表达式。
2020-02-14 math.ST q-fin.ST stat.TH
Analysis of short term price trends in daily stock-market index data
在金融时间序列中，存在值单调增加或减少的周期。我们称这些时期为基本趋势，并研究其持续时间的概率分布指数DJIA，纳斯达克和IPC。结果发现，趋势持续时间分布往往不同于预期下没有记忆。通过Anderson-Darling检验比较了预期分布和观测分布。
2012-11-13 q-fin.ST
PAGAN: Portfolio Analysis with Generative Adversarial Networks
几十年来，数据科学界一直试图提出金融时间序列的预测模型。然而，在信息技术和机器智能的快速发展的推动下，今天的信息速度导致了高市场有效性。健全的金融理论表明，在一个有效的市场中，今天所有可用的信息，包括对未来事件的预期，都反映在今天的价格中，而未来的价格趋势是由不确定性驱动的。这会危及设计预测模型的努力。为了应对金融系统的不可预测性，目前的投资组合管理主要基于Markowitz框架，该框架更多地强调对市场不确定性的分析，而较少地关注价格预测。马科维茨框架的局限性在于对未来收益概率分布采取了非常强的理想假设。为了解决这种情况，我们提出了PAGAN，这是一种基于深度生成模型的开创性方法。我们的目标是对市场的不确定性进行建模，这最终是推动未来趋势的主要因素。生成模型学习一组金融资产的价格趋势的联合概率分布，以匹配真实市场的概率分布。一旦模型被训练，投资组合就通过决定最佳的多样化来优化，以最小化风险并最大化在几次模拟执行中观察到的预期收益率。应用该模型分析可能的期货，就像执行蒙特卡罗模拟一样简单，这是金融专家非常熟悉的技术。使用真实世界的公共数据集构建的代表不同地缘政治地区和工业部门的不同投资组合的实验结果表明，结果令人鼓舞。
2019-09-19 q-fin.CP q-fin.ST
Characterizing Multi-Scale Self-Similar Behavior and Non-Statistical Properties of Financial Time Series
本文利用小波变换研究了不同经济部门的大公司股票价格的多尺度、自相似行为及其偏差。股票市场收益率具有多重分形特征，部分公司在小尺度和大尺度上表现出偏离。事实上，小波属于Daubechies'（Db）的基础，使人们能够隔离不同程度的局部多项式趋势，在隔离不同尺度的波动起着关键作用。这项工作的主要动机之一是研究$k^{-3}$行为的出现\cite{hes5}的波动开始与高频波动。为了研究这些金融时间序列的统计特征，我们分别利用Db 4和Db 6基组在不同尺度上分离出局部线性和二次趋势。波动揭示了肥尾非高斯行为，不稳定的周期性调制，在更精细的尺度，从特征$k^{-3}$幂律行为出现在足够大的尺度。我们进一步确定稳定的周期性行为，通过连续Morlet小波。
2010-12-31 physics.data-an q-fin.ST
Time-dependent scaling patterns in high frequency financial data
我们测量了不同时间尺度对金融市场数据动态性的影响。这是通过将金融时间序列分解为与不同时间尺度相关的简单振荡来获得的。我们提出了两个新的时变测度：1）振幅标度指数和2）类熵测度。我们将这些措施应用于日内，30秒抽样价格的各种股票指数。我们的研究结果揭示了日内趋势，不同的时间范围有助于在交易日的过程中可变的相对振幅。我们的研究结果表明，我们分析的时间序列具有非平稳的多重分形性质，在交易时段的中间具有持续性行为，在开盘和收盘时具有反持续性行为。我们证明，这些偏差是统计上显着的和强大的。
2015-12-16 q-fin.ST
Statistical Methods for Estimating the non-random Content of Financial Markets
对于普通的观察者来说，金融市场看起来完全是随机的，行为飘忽不定，无法控制。在很大程度上，这是正确的。在第一次近似的实际价格变化和随机游走模型之间的差异太小，无法检测使用传统的时间序列分析。然而，我们在下文中表明，真实金融时间序列和随机游走之间的这种差异，尽管很小，但可以使用现代统计多变量分析来检测，并在交易系统中编码了几个触发器。这种分析基于核物理中广泛使用的方法，具有大样本数据和先进的统计推断。考虑到欧元期货合约在高频率的运动，我们表明，这一系列的非随机内容的一部分，可以推断，即趋势跟踪的内容取决于波动范围。
2011-08-19 q-fin.ST
Black was right: Price is within a factor 2 of Value
我们提供了进一步的证据表明，市场的趋势在中期（几个月）和均值恢复的长期（几年）。我们的研究结果支持了布莱克的直觉，即价格往往会偏离大约2倍，并需要数年时间才能达到平衡。这些结果背后的故事与金融市场中存在的两种行为非常吻合：“图表分析师”，他们是趋势的追随者;“原教旨主义者”，他们在价格明显不合理时进场。均值回归是一种自我修正机制，缓和了（尽管只是微弱地）金融市场的繁荣。
2017-11-17 q-fin.PM q-fin.ST
Financial accumulation implies ever-increasing wealth inequality
财富不平等是经济理论和政策的一个重要问题。正在进行的辩论一直在讨论最近世界各地活跃的金融市场的发展与最近财富不平等的加剧。关于财富分配的现有文献将财富不平等的根源与各种驱动因素联系起来。我们的方法开发了一个最低限度的建模策略，结合了三个特色机制：活跃的金融市场，个人财富积累和复利结构。我们提供了数学证明，累积的金融投资回报涉及随着时间的推移不断增加的财富集中和个人投资者之间的不平等。这种空间和时间上的累积效应取决于金融积累过程，在有效的金融市场下也是如此，有效的金融市场产生了一些公平的投资游戏，个人投资者确实会在时间上反复进行。
2019-11-26 econ.GN physics.soc-ph q-fin.EC
Modeling Financial Time Series using LSTM with Trainable Initial Hidden States
Samsung Research Samsung Electronics Co., Ltd.（三星电子有限公司三星研究院）
在时间序列中提取先前未知的模式和信息是许多实际应用的核心。在这项研究中，我们介绍了一种使用深度学习模型建模金融时间序列的新方法。我们使用一个长短期记忆（LSTM）网络，配备了可训练的初始隐藏状态。通过学习重构时间序列，该模型可以用其参数表示高维时间序列数据。对韩国股票市场数据的实验表明，该模型能够捕捉到大量股票价格在其潜空间中的相对相似性。此外，该模型还可以从潜在空间预测未来股票的走势。该方法可以识别多个时间序列之间的关系，并可应用于金融领域，如投资组合优化。
2020-07-14 cs.LG q-fin.PM q-fin.ST
Nonlinear shifts and dislocations in financial market structure and composition
针对金融市场结构与构成变化问题，本文提出新的数学技术，通过板块非线性偏移识别、板块网络结构分析及不同风格组合夏普比率抽样实验，为市场状态识别、组合优化和股票群落划分提供方法支撑。
2024-06-30 q-fin.ST
The study of Thai stock market across the 2008 financial crisis
金融市场的上同调理论允许我们在大统一理论中明确定义八种市场状态的情况下，对时间序列数据随时间段的Kolmogorov空间进行变形。在金融市场崩溃的情况下，由交易者之间的耦合行为场诱导的反德西特空间在金融市场时空中起着类似引力场的作用。在这种混合数学超结构下，我们利用泡利矩阵和修正的Wilson环为时间序列数据重新定义了一个行为矩阵。我们用它来检测2008年金融市场崩溃，通过使用一个度的上同调群的球在张量场的相关矩阵在所有可能的主导股票的泰国SET 50指数期货。利用相关矩阵的经验模态分解和内在时间尺度分解以及平面图的贴近中心度计算，对金融张量网络进行了实证分析。
2016-06-09 q-fin.ST
Scaling transformation and probability distributions for financial time series
自巴舍利耶以来，金融资产的价格被认为是由随机变量的（离散或连续）时间序列描述的，即随机过程。这种过程的尖锐标度指数或单分形行为已经在一些工作中报道。本文通过建立非线性群论方法与数学物理中发展起来的多重分形方法之间的新联系，研究了价格过程的标度变换问题。使用两组金融时间序列，我们表明，标度变换是一个非线性的群体作用的时刻的价格增量。它的线性部分具有谱分解，证明了价格增量的多重分形行为。
1999-05-12 cond-mat.stat-mech q-fin.ST
Multi-agent based analysis of financial data
在这项工作中，代理系统被应用于建立非线性分布式信号处理的模型。代理系统的演变-由预测时间尺度多样化的趋势追随者，已被研究的随机时变环境所代表的实际货币兑换时间序列。分析了非相互作用和相互作用两种情况下的时变种群及其统计特性。我们的分析的输出的平均寿命，平均效用和相应的分布的形式。它们表明，人口容易受到代理人之间相互作用的强度和形式的影响。我们相信，我们的研究结果将是有用的鲁棒自适应预测系统的发展。
2011-10-12 nlin.AO physics.data-an q-fin.ST
A Novel Twitter Sentiment Analysis Model with Baseline Correlation for Financial Market Prediction with Improved Efficiency
King's College London（伦敦国王学院）；Imperial College London（帝国理工学院）
与传统的基于封闭式基金折价（CEFD）的投资者情绪计量模型相比，提出了一种新的基于Twitter情绪评分（TSS）的社交网络情感分析模型，用于实时预测FTSE 100未来股票市场价格.所提出的TSS模型采用了一种新的基线相关方法，不仅具有良好的预测精度，而且减少了计算负担，并在不了解历史数据的情况下实现了快速决策。多项式回归，分类建模和基于词汇的情感分析使用R。在不参考历史TSS或市场数据的情况下，使用建议的基线标准，通过15个时间样本（30个工作小时）提前预测未来股票市场的趋势，准确率为67.22%。具体而言，TSS的预测性能的一个向上的市场被发现远远优于一个向下的市场。在Logistic回归和线性判别分析下，TSS对期货市场上涨趋势的预测准确率达到97.87%。
2020-04-21 cs.LG cs.SI q-fin.ST
Microeconomic co-evolution model for financial technical analysis signals
技术分析（TA）已经使用了很长一段时间之前，更复杂的金融预测工具的可用性，以建议决策的基础上出现的数据模式。许多金融市场定量分析的数学和统计工具都经历了快速和广泛的发展，并有能力克服经典的技术分析方法。本文的目的是通过探索在一个特定的基于$microeconomic$主体的市场模型中出现的概率，来度量TA中使用的某些信息的可靠性，即，共同进化的巴克-斯内彭模型最初是为了描述物种种群的进化而发明的。在证明了这种模型在描述金融指数所谓的雪崩中的实际利益之后，在泡沫破裂前的时间上升中，注意力集中在趋势线检测跨越有意义的障碍的发生上，这些障碍引起了一些通常的技术分析策略。2000年4月纳斯达克股市崩盘就是一个例子。
2006-05-20 physics.soc-ph q-fin.ST
HQNN-FSP: A Hybrid Classical-Quantum Neural Network for Regression-Based Financial Stock Market Prediction
Indian Institute of Technology (BHU)（印度理工学院（瓦拉纳西））；New York University Abu Dhabi (NYUAD)（纽约大学阿布扎比分校）；NYUAD Research Institute（纽约大学阿布扎比分校研究院）
针对金融时间序列预测难题，本研究提出名为HQNN-FSP的经典-量子混合神经网络，含定制QNN回归器与两种混合优化策略，实验验证其可有效将量子计算融入金融预测工作流。
2025-03-19 cs.LG q-fin.ST quant-ph
On the systemic nature of global inflation, its association with equity markets and financial portfolio implications
本文使用新的和最近引入的数学技术，对全球通货膨胀的系统性进行数据驱动的研究。我们首先调查了过去70年的国家CPI通胀。在那里，我们突出了全球通货膨胀的系统性与明智的应用程序的特征值分析，并确定哪些国家表现出最“中心”的内积为基础的优化方法。然后，我们转向通货膨胀对金融市场证券的影响，在那里我们探讨国家股票指数的股票稳健性和股票部门在重大通胀压力期间的不同表现。最后，我们实施了一个随时间变化的投资组合优化，以确定哪些资产类别是最有益的，在增加投资组合夏普比率时，投资者必须持有一个核心（和恒定）的股票配置。
2022-01-10 q-fin.MF q-fin.ST
Two centuries of trend following
我们建立了存在的异常超额收益率的基础上的趋势跟踪策略，在四个资产类别（商品，货币，股票指数，债券）和非常长的时间尺度。我们在研究中使用了自1960年以来存在的期货时间序列和现货时间序列，后者使我们能够追溯到1800年的商品和指数。在考虑了这些市场的整体向上漂移后，超额收益率的总体t统计数据是1960年以来的PDMATHAMM和1800年以来的$\approx 10$。无论是在时间上还是在资产类别上，这种影响都非常稳定。它使趋势的存在成为金融市场中最具统计意义的异常现象之一。当进一步分析趋势跟踪信号时，我们发现大信号有明显的饱和效应，这表明基本面交易者不会试图抵制“弱趋势”，而是在他们自己的信号变得足够强时介入。最后，我们研究了趋势跟踪在最近一段时间的表现。我们没有发现长期趋势的统计退化迹象，而短期趋势则明显萎缩。
2014-04-12 q-fin.GN q-fin.PM q-fin.ST
