Leverage Financial News to Predict Stock Price Movements Using Word Embeddings and Deep Neural Networks
York University（约克大学）
财经新闻包含了关于上市公司和市场的有用信息。在本文中，我们应用流行的词嵌入方法和深度神经网络来利用金融新闻预测市场上的股票价格走势。实验结果表明，我们提出的方法是简单的，但非常有效，它可以显着提高股票预测精度的标准金融数据库上的基线系统，仅使用历史价格信息。
2015-06-24 cs.AI cs.CE cs.CL
Financial sentiment analysis using FinBERT with application in predicting stock movement
University of Rochester（罗切斯特大学）
本研究利用FinBERT情感分析与LSTM网络构建深度学习模型，通过对比标准BERT、LSTM和ARIMA，证明情感分析显著提升股市走势预测准确性，并提出优化技术以增强模型性能。
2026-09-23 cs.AI cs.CE q-fin.ST
Financial Market Prediction
Yale University（耶鲁大学）
鉴于雅虎和伦敦交易所等热门网站的财务数据，本文试图建模和预测可被视为“良好投资”的股票。股票有125个特征，从国内生产总值到EDIBTA，并以股票和市场价格回报之间的差异为标志。一个人工神经网络（自组织映射）适合对超过100万个数据点进行训练，以预测2013年及之后的测试股票的“良好投资”。
2015-03-08 cs.CE cs.LG
FinGAT: Financial Graph Attention Networks for Recommending Top-K Profitable Stocks
National Taiwan University（台湾大学）；National Cheng Kung University（成功大学）
金融科技（FinTech）受到投资者和企业的广泛关注。虽然传统的金融科技股票分析的目标是预测股票价格，但对有利可图的股票推荐所做的努力较少。此外，在现有的股票价格时间序列建模方法中，股票和行业之间的关系（即，种群类别）要么被忽视，要么被预先界定。忽略股票关系会错过股票之间共享的信息，而使用预定义的关系无法描述股票之间潜在的相互作用或股票价格的影响。在这项工作中，我们的目标是推荐的前K个盈利的股票的回报率方面使用的时间序列的股票价格和行业信息。我们提出了一种新的基于深度学习的模型，金融图注意力网络（FinGAT），以解决在股票之间没有预定义的关系的设置下的任务。FinGAT的理念有三个方面。首先，我们设计了一个分层学习组件来学习股票时间序列的短期和长期序列模式。其次，构建股票之间的全连接图和行业之间的全连接图，以及图形注意力网络，以学习股票和行业之间的潜在相互作用。第三，设计了一个多任务目标来联合推荐盈利股票和预测股票走势。在台湾股票、标准普尔500指数和纳斯达克指数数据集上进行的实验显示，与最先进的方法相比，我们的FinGAT具有显著的推荐性能。
2021-06-18 cs.CE cs.IR cs.LG
StockSim: A Dual-Mode Order-Level Simulator for Evaluating Multi-Agent LLMs in Financial Markets
StockSim是一个开源的双模式订单级金融模拟平台，通过建模延迟、滑点等现实因素并提供可扩展的多智能体框架，系统评估LLM在真实金融决策中的表现。
2025-07-12 cs.CE cs.MA
A Machine Learning Model for Stock Market Prediction
股票市场预测是试图确定在金融交易所交易的公司股票或其他金融工具的未来价值的行为。
2014-02-28 cs.CE cs.NE
Why Existing Machine Learning Methods Fails At Extracting the Information of Future Returns Out of Historical Sctock Prices : the Curve-Shape-Feature and Non-Curve-Shape-Feature Modes
金融时间序列分析是触及金融市场复杂规律的重要途径。在金融时间序列分析的众多目标中，一个目标是建立一个模型，从已知的历史股票数据中提取未来收益率的信息，如股票价格、金融新闻等。为了设计这样的模型，需要关于未来回报与历史股票价格如何相关的先验知识。在这项工作中，我们关注的问题：在什么样的模式，未来的回报率与历史股票价格的相关性。我们手动设计了几个金融时间序列，其中未来收益率与历史股票价格相关的预先设计的模式，即曲线形状特征（CSF）和非曲线形状特征（NCSF）模式。在CSF模型中，未来收益率可以从历史股票价格的曲线形状中提取。通过将现有的各种算法应用于预先设计的时间序列和真实的金融时间序列，我们发现：（1）未来收益率的主要信息并不包含在历史股票价格的曲线形状特征中。也就是说，在CSF模型中，未来收益率主要与历史股票价格无关。(2)现有的各种机器学习算法虽然在图像识别和自然语言处理方面取得了一定的成功，但都是在提取历史股票价格的曲线特征方面做得比较好，不适用于金融时间序列分析。也就是说，在金融时间序列分析中，需要处理NCSF序列的新模型。
2021-09-14 cs.CE
Deep Co-investment Network Learning for Financial Assets
最近的研究将股票市场的市场结构模型化为股票之间的相关网络。它们应用预定义的模式从股票的时间序列中提取相关性信息。这些方法没有考虑市场结构演化对市场指数走势的影响，很难得到符合市场规律的市场结构模型。深度学习的进步已经在各种与金融相关的任务上显示出令人难以置信的建模能力。然而，学习的内部参数，捕捉金融时间序列的本质，没有进一步利用它们在金融领域的代表性。在这项工作中，我们将金融市场结构建模为深度共同投资网络，并提出了深度共同投资网络学习（DeepCNL）方法。DeepCNL自动学习任何成对股票之间的深度共同投资模式，其中市场指数的涨跌趋势用于距离监督。训练后的DeepCNL的学习内部参数编码了深度共同投资模式的时间动态，用于构建股票之间的共同投资网络，作为相应市场的投资结构。我们在真实世界的股票数据上验证了DeepCNL的有效性，并将其与现有方法在几个金融任务上进行了比较。实验结果表明，DeepCNL不仅能够更好地反映股票市场结构，符合公认的金融原则，而且比其他替代品更能够近似真实新闻或研究报告中报道的导致股票表现的投资活动。
2018-09-12 cs.CE
The Black Tuesday Attack: how to crash the stock market with adversarial examples to financial forecasting models
本研究提出“黑色星期二攻击”概念，揭示通过小幅操纵股价形成对抗样本触发金融预测模型自我实现式崩盘的风险，分析其原理、攻击目标与防御方向，指出该威胁被低估且亟需研究应对。
2025-10-21 cs.CE cs.CR
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
Vector-Quantized Discrete Latent Factors Meet Financial Priors: Dynamic Cross-Sectional Stock Ranking Prediction for Portfolio Construction
RiskX；Hanyang University（翰阳大学）
本文提出PRISM-VQ模型，结合专家先验因子和向量量化离散潜在因子，通过结构条件混合专家生成时间变化因子载荷，提升横截面股票收益预测和投资组合表现。
2026-05-13 cs.CE cs.LG q-fin.ST
Selecting stock pairs for pairs trading while incorporating lead-lag relationship
配对交易是在金融市场中进行的一种交易，其目的是利用已知的股票对之间的均衡关系赚取巨额利润。在金融市场中，很少看到股票对在特定的领先或滞后处相关。这种超前-滞后关系已在各种金融市场中进行了实证研究。早期的研究工作提出了各种措施，以确定最好的对交易，但他们没有考虑这种领先滞后效应。本研究提出了一种新的距离测度，它结合了股票之间的领先滞后关系，同时选择最佳的配对交易。此外，允许股票之间的超前-滞后值随时间连续变化。通过在两个不同的数据集上进行实验，一个对应于印度公司，另一个对应于美国公司，展示了拟议措施的重要性。当所提出的度量与SSD度量一起被棒化时，即，当通过优化这两个度量来识别配对时，与所有其它度量相比，所选择的配对始终产生最佳利润。最后，可能的推广和扩展所提出的距离测量进行了讨论。
2019-12-31 cs.CE q-fin.ST
BERTopic-Driven Stock Market Predictions: Unraveling Sentiment Insights
Computer and Information Science FST（科技学院计算机与信息科学系）
本文提出利用BERTopic从股市评论中提取主题情感，并将其与深度学习模型结合以提升股票价格预测性能，验证了主题情感对市场波动和价格趋势的隐含价值。
2024-04-04 cs.CE cs.CL q-fin.ST
Supervised classification-based stock prediction and portfolio optimization
Stanford University（斯坦福大学）
随着公开交易公司的数量以及它们的金融数据量的快速增长，非常期望具有自动化的跟踪、分析以及最终的股票选择。很少有作品专注于估计个别公司的股票价格。然而，其中许多都是在很少的财务参数下进行的。在这项工作中，我们应用机器学习技术来解决自动选股问题，同时为单个公司使用了比以前研究更多的财务参数。我们的方法是基于监督的预测参数，使用公司的基本面，时间序列属性，以及不同股票之间的相关性信息。我们研究了各种监督学习技术，发现使用股票基本面是一个有用的方法的分类问题，当结合高维数据处理能力的支持向量机。我们的系统通过预测股票的行为而建议的投资组合在3个月的时间内平均比整体市场增长3%，正如样本外测试所表明的那样。
2014-06-03 cs.CE cs.LG q-fin.PM
Enhancing Financial Decision-Making: Machine Learning and AI-Powered Predictions and Analysis
本研究构建AI驱动的金融分析平台，集成多种机器学习算法实现通胀分析与高准确率股价预测，搭配E-learning模块助力金融知识普及与明智决策。
2025-10-29 cs.CE
Dynamic stacking ensemble learning with investor knowledge representations for stock market index prediction based on multi-source financial data
Zhejiang University（浙江大学）；Chongqing University（重庆大学）；Beijing Institute of Technology（北京理工大学）
本文提出基于投资者知识表示的两阶段动态堆叠集成模型，通过有效提取多源金融数据特征提升股票市场指数预测精度，并设计交易策略实现超额收益。
2025-12-16 cs.CE
