Profitability of contrarian strategies in the Chinese stock market
本文利用1997年1月至2012年12月上海证券交易所和深圳证券交易所的月度数据，重新检验了中国股票市场中输家、赢家和反向投资组合的盈利能力。当估计和持有期限为1个月或大于12个月时，我们发现在整个样本期间存在短期和长期反向盈利能力的证据，并且反向投资组合的年化收益率随着估计和持有期限的增加而增加。通过分周期分析发现，长期反转效应在看涨和看跌状态下均显著，而短期反转效应在看涨状态下消失。通过比较不同分组方式下的反向投资组合在估计期内的表现，发现十分位分组的反向投资组合在长期内的表现优于五分位分组和三分位分组，且表现更为明显和稳健。一般来说，输家组合和赢家组合都有正收益，输家组合的表现要比赢家组合好得多。在看涨状态下，输家和赢家组合的表现都优于整个样本期内的组合。相反，输家和赢家投资组合在看跌状态下的回报率较小，其中输家投资组合的回报率仅在长期内显着，赢家投资组合的回报率变得微不足道。这些结果对于估计期和持有期之间的一个月跳跃以及对于两个证券交易所是稳健的。研究结果表明，我国股票市场在弱式下是非有效的。这些发现对金融从业人员也有明显的实际意义。
2015-05-02 q-fin.ST q-fin.TR
Scaling in the Bombay Stock Exchange Index
本文研究了BSE指数金融时间序列的分形和多重分形行为。我们发现，孟买证券交易所（BSE）指数时间序列是单分形的，可以表示为一个分数布朗运动。
2001-08-28 cond-mat.stat-mech q-fin.ST
Using Stock Prices as Ground Truth in Sentiment Analysis to Generate Profitable Trading Signals
“大”（大量）社交媒体数据的日益可用性激发了大量应用情感分析来预测金融市场价格走势的研究。该领域以前的工作研究了如何将文本的真实情绪（即积极或消极的观点）用于金融预测，基于在线表达的情绪代表真实市场情绪的假设。在这里，我们考虑相反的想法，即在系统中使用股票价格作为基础事实可能是一个更好的情绪指标。根据所讨论的股票价格在接下来的一个小时内是上涨还是下跌，推文被标记为买入或卖出，并据此为各个公司建立特定的股票词典。贝叶斯分类器用于生成股票预测，这些预测被输入到自动交易算法。在一个月内配售468笔交易，回报率为5.18%，年化约为83%。这种方法的性能明显优于随机机会，优于两个基线情感分析方法测试。
2018-11-07 cs.CE 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
Unlocking Profit Potential: Maximizing Returns with Bayesian Optimization of Supertrend Indicator Parameters
本文利用贝叶斯优化自动调整Supertrend指标的ATR乘数和周期参数，以最大化交易利润，并通过多数据集回测验证其优于人工参数选择。
2024-05-23 q-fin.ST q-fin.TR
Measuring Financial Time Series Similarity With a View to Identifying Profitable Stock Market Opportunities
School of Computer Science, University College Dublin（都柏林大学学院计算机科学学院）；Insight Centre for Data Analytics, University College Dublin（都柏林大学学院洞察数据分析中心）；School of Economics and Management, Beihang University（北京航空航天大学经济管理学院）
由于市场的高度随机性以及可能影响交易量和价格的大量因素和事件，预测股票收益率是一个具有挑战性的问题。尽管如此，它已被证明是机器学习研究的一个有吸引力的目标，因为即使是中等水平的预测准确度也有可能带来显着的好处。在本文中，我们描述了一个基于案例推理的方法来预测股票市场收益率，只使用历史定价数据。我们认为，基于案例的股票预测的障碍之一是缺乏合适的相似性度量，当涉及到识别类似的定价历史作为未来预测的基础时-传统的欧几里得和基于相关性的方法由于各种原因而无效-在这方面，这项工作的一个关键贡献是开发了一种新的相似性度量，用于比较历史定价数据。我们展示了这种度量和基于案例的方法在现实世界中的应用相比，各种传统的基准的好处。
2021-07-07 cs.LG q-fin.ST
The Applications of Graph Theory to Investing
如何将图论应用于投资股票市场？答案可能有助于投资者认识到他们投资的真正风险，有助于防止像2008年那样的衰退，并提高学生的金融知识。使用几个原始的Python程序，我们采用一个相关矩阵与股票价格之间的相关性，然后将其转换为一个可图形化的二进制邻接矩阵。从这张图中，我们得到一张图，其中每条边代表两支股票之间的弱相关性。找到最大的完整图将产生一个多样化的投资组合。许多试验表明，在经济稳定时期，多元化投资组合的表现始终优于市场，但未多元化的投资组合被证明风险更高，更不可预测，要么产生巨额利润，要么甚至产生更大的损失。此外，一旦决定我们的投资组合将包括哪些股票，我们如何知道何时投资于每只股票以实现利润最大化？如果另一支股票在n天前表现出某种方式，那么获取股票价格数据和转移价值是否有助于预测一支股票今天的表现？结果发现，这种预测最佳投资时间的方法在仅仅基于相关性时未能提高回报。尽管随机选择相关性不同的股票进行试验比连续投资产生了更多的利润。
2019-02-02 cs.DM q-fin.MF q-fin.ST
Measuring capital market efficiency: Long-term memory, fractal dimension and approximate entropy
我们利用长期记忆、分形维数和近似熵作为效率指数的输入变量[Kristoufek & Vosvrda（2013），Physica A 392]。这样，我们就能够在控制了不同类型的无效之后，对股票市场有效性进行评论。运用该方法对世界各地的38个股票市场指数进行分析，我们发现，最有效的市场位于欧元区（荷兰，法国和德国），效率最低的市场位于拉丁美洲（委内瑞拉和智利）。
2014-05-17 q-fin.ST
Causality between investor sentiment and the shares return on the Moroccan and Tunisian financial markets
本文研究摩洛哥和突尼斯金融市场中投资者情绪与股票收益的因果关系，发现盈利性导致投资者情绪而非相反，且两者存在显著正向关系但情绪不可预测。
2023-05-26 q-fin.GN q-fin.PM q-fin.ST
Short-term market reaction after extreme price changes of liquid stocks
在我们的实证研究中，我们使用纽约证券交易所和纳斯达克的数据，研究了流动性股票在经历了一个大的日内价格变化后的价格。我们发现，无论是在日内价格下跌和上涨显着逆转。结果对变化的参数是稳定的。在纽约证券交易所，买卖价差的大幅扩大消除了反向策略可以实现的大部分利润，而在纳斯达克，买卖价差几乎保持不变，产生了大量的短期异常利润。此外，波动性、成交量以及纽约证券交易所的买卖价差（在事件发生时急剧增加）按照幂律衰减，并在之后的几天内保持在很高的水平。
2004-06-28 cond-mat.other q-fin.ST
Global Stock Market Prediction Based on Stock Chart Images Using Deep Q-Network
我们将深度Q网络与卷积神经网络函数逼近器结合使用，该函数逼近器将股票图表图像作为输入，用于进行全球股票市场预测。我们的模型不仅在训练它的国家的股票市场中产生利润，而且在全球股票市场中普遍产生利润。我们只在美国市场训练了我们的模型，并在31个不同的国家进行了12年的测试。在31个国家中，基于我们模型的输出构建的投资组合在扣除交易成本之前，每笔交易的回报率通常为0.1%至1.0%。结果表明，股票图表图像上存在一些模式，它们倾向于预测全球股票市场未来相同的股票价格走势。此外，结果表明，未来的股票价格可以预测，即使在不同的国家进行的训练和测试程序。培训程序可以在相对大和流动性强的市场进行（例如，美国）并在小市场进行了测试。这一结果表明，基于人工智能的股票价格预测模型可以用于相对较小的市场（新兴国家），即使它们没有足够的数据进行训练。
2019-02-28 cs.CE q-fin.GN q-fin.ST
A Stock Trading System for a Medium Volatile Asset using Multi Layer Perceptron
University of L’Aquila（拉奎拉大学）
股票市场预测是一个利润丰厚的领域，有着可观的利润，但并非没有困难，对某些人来说甚至可能是失败的原因。金融市场本质上是复杂的、非线性的和混乱的，这意味着准确预测其中一部分资产的价格变得非常复杂。在本文中，我们提出了一种股票交易系统，其主要核心是前馈深度神经网络（DNN），以预测Abercrombie & Fitch公司（ANF）在纽约证券交易所（NYSE）股票市场发行的股票在未来30天的公开市场价格。我们所阐述的系统计算最有效的技术指标，并将其应用于DNN计算的预测，以生成交易。结果显示，盈利交易的预期比率为2.112%，夏普、索蒂诺和卡尔马比率分别为2.194、3.340和12.403。作为验证，我们在系统中采用了回溯模拟模块，该模块将交易映射到由ANF资产最近30天的公开市场组成的实际测试数据。总的来说，结果是有希望的，在短短一个月内从100美元的非常适度的预算中带来了3.2%的总利润率。这是可能的，因为系统通过选择最有效和最高效的交易减少了交易数量，节省了佣金和滑点成本。
2022-01-17 cs.LG q-fin.ST
On the Bound of Cumulative Return in Trading Series and the Verification Using Technical Trading Rules
尽管技术交易规则在股票市场中得到了广泛的应用，但技术交易规则的盈利能力仍然存在争议。本文首先给出并证明了累积收益率的上界，然后介绍了许多传统的技术交易规则。在此基础上，本文运用自助法，考察了技术交易规则在不同国际股票市场（包括发达市场和新兴市场）上的盈利性。最后，结果表明，技术交易规则很难战胜市场，甚至比随机交易策略的盈利能力更差。
2020-05-19 cs.CE q-fin.ST stat.OT
Wax and wane of the cross-sectional momentum and contrarian effects: Evidence from the Chinese stock markets
本文采用资本资产定价模型和French-Fama三因素因子模型，在横截面动量和反转效应的框架下研究了中国股票市场的时变风险溢价关系。通过量化中国股票市场的时变截面动量和反转效应的表现，研究了套利机会的演化。反向盈利能力和市场条件的因素，可以表征投资环境之间的关系也进行了研究。结果表明，风险溢价关系随时间变化，基于反向投资组合的套利机会随时间变化。反向投资组合的表现高度依赖于几个市场条件。市场状态上升、市场波动性和流动性较高、宏观经济不确定性较低的时期，反向盈利能力较高。这些发现与适应性市场假说相一致，并对市场参与者具有实际意义。
2017-07-18 q-fin.ST q-fin.TR
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
Physical Momentum in the Indian Stock Market
我们的研究重点是确定在印度市场的背景下，物理动量投资组合的异常回报的存在。物理动量投资组合，包括NSE 500的股票，构建了每日，每周，每月和每年的时间尺度。在上述时间表中，我们实证评估了这些投资组合在2014-2021年的历史回报和各种风险状况。据观察，与基准NIFTY 50投资组合相比，四个时间尺度中表现最好的物理动量投资组合都实现了更高的回报和更好的风险衡量标准。我们进一步发现，高频率的每日时间尺度表现出最强的逆转的物理动量效应，其中的投资组合产生了16倍的利润超过初始投资。
2023-02-26 q-fin.PM q-fin.ST
Stock Mechanics: a classical approach
提出了股票市场预测的新的理论方法。给出了股票市场算术关系的一种形式化，其中一些简单的（非微分的，非分形的）表达式也被建议作为封闭形式的一般股票价格公式，这些公式能够及时产生各种可能的价格变动。提出了一种用经典概念描述价格运动的力学。在那里利用股票力学增长的投资组合在现实市场中也被证明。
2005-03-21 physics.soc-ph q-fin.ST
High-performance stock index trading: making effective use of a deep LSTM neural network
University of Macedonia（马其顿大学）
我们提出了一个基于深度长短期记忆（LSTM）的神经网络来预测资产价格，以及一个成功的交易策略，用于根据模型的预测产生利润。我们的工作的动机是这样一个事实，即任何预测模型的有效性本质上是耦合到它所使用的交易策略，反之亦然。这突出表明了在制定共同最佳的模式和战略方面的困难，但也指出了比现行办法更广泛的调查途径。我们的LSTM模型在结构上很简单，并根据过去几个交易日的价格观察结果生成预测。该模型的架构被调整为提高盈利能力，而不是准确性，其策略不是简单地基于价格预测是上涨还是下跌进行交易，而是利用预测回报的分布，以及预测在该分布中的位置携带有关交易预期盈利能力的有用信息。该模型和交易策略在标准普尔500指数、道琼斯工业平均指数（DJIA）、纳斯达克指数和罗素2000指数上进行了测试，在2010-2018年期间分别实现了340%、185%、371%和360%的累计回报率，远远超过了基准的买入并持有策略以及最近的其他努力。
2019-05-08 cs.LG q-fin.ST stat.ML
Chance or Chaos? Fractal geometry aimed to inspect the nature of Bitcoin
本文应用分形几何分析Bitcoin等9种加密货币与传统资产的回报表现，发现Bitcoin价格具有高持续性从而降低效率但提高可预测性，且完全去中心化的加密货币在任何时间尺度上均表现出自相似特征。
2023-09-01 q-fin.ST
Sector-wise analysis of Indian stock market: Long and short-term risk and stability analysis
本文首次利用多重分形理论对股票市场进行了行业分析。我们考虑了印度孟买证券交易所，并确定了两个时间尺度，短期（$<200$天）和长期（$>200$天）的投资。我们推断长期投资会更有利可图。对于长时间尺度，可以根据赫斯特指数值将行业分为两类;一类对应于波动较小的稳定行业，另一类则是大幅波动占主导地位，导致这些行业可能出现衰退。
2022-10-18 q-fin.CP q-fin.ST
Forecasting the Performance of US Stock Market Indices During COVID-19: RF vs LSTM
本文针对疫情冲击下的美国股市，使用衰退后历史价格数据，结合交叉验证、超参数优化与正则化，比较 Random Forest 与 LSTM 对 S&P500 和 Russell 2000 的收益预测能力。
2023-06-06 econ.EM q-fin.ST
Stock markets are not what we think they are: the key roles of cross-ownership and corporate treasury stock
我们描述并记录了公司可以影响甚至控制股票价格的三种机制。(i)母公司和控股公司对其他上市公司行使控制权。(ii)通过基于回购计划和股票发行的库存股票的巧妙管理，股票价格波动可以被放大或抑制。(iii)最后，历史表明，股票价格水平与并购活动之间存在密切的相互依赖关系。大公司的董事会主导市场的这种观点为在股票市场中观察到的所谓“羊群行为”提供了一种自然的解释。传统观点认为，通过推动利润预期，公司在塑造市场方面发挥了间接作用。在本文中，我们认为，在过去的几十年里，他们越来越成为股票市场的直接推动力。
2004-06-29 cond-mat.other q-fin.ST
Stock Market Prediction using Natural Language Processing -- A Survey
Vellore Institute of Technology（韦洛尔理工学院）
股票市场是一个网络，它为几乎所有主要的经济交易提供了一个平台。虽然投资股票市场是一个好主意，但投资个股可能不是，特别是对临时投资者来说。聪明的选股需要深入的研究和大量的奉献精神。预测这种股票价值提供了巨大的套利获利机会。这种寻找解决方案的吸引力促使研究人员找到一种方法来解决波动性，季节性和时间依赖性等问题。本文综述了用于预测股票市场走势的自然语言处理和机器学习技术领域的最新文献。本文的主要贡献包括对近期许多文章的复杂分类和对股票市场预测及其相关领域的最新研究趋势的说明。
2022-08-26 cs.LG q-fin.ST
Quantifying macroeconomic expectations in stock markets using Google Trends
在其他宏观经济指标中，美国劳工统计局就业形势报告中每月公布的美国失业率数据引起了媒体的广泛关注，并强烈影响了股票市场。我调查是否可以通过预测美国失业率的可能变化来构建一个有利可图的投资策略，在官方新闻发布之前，使用Google查询量进行相关搜索。我发现，人类与互联网互动的大量新数据源不仅提高了美国失业率的可预测性，而且还可以在与宏观经济数据一起考虑时提高交易策略的市场时机。我的研究结果说明了将广泛的行为数据集与经济数据相结合来预测投资者预期和股票市场走势的潜力。
2018-05-01 q-fin.ST q-fin.TR
Utilizing Technical Data to Discover Similar Companies in Dhaka Stock Exchange
股票市场投资多年来一直是一种理想的投资形式。在股票市场中巧妙地投入资金会产生高利润回报。但是市场上有很多公司。目前，在达卡证券交易所（DSE）拥有股票的$345$活跃公司超过100家。分析所有这些公司是不可能的。然而，许多公司倾向于一起行动。本研究旨在找出哪些公司在DSE有密切的联系，并一起移动。通过分析这种关系，投资者和交易者将能够从计算少数公司中分析许多公司的统计数据。所进行的实验产生了有希望的结果。结果发现，尽管该系统除了技术数据外没有提供任何其他信息，但它能够识别出显示特定领域成果的公司。换句话说，从所进行的实验中发现了技术数据和基本数据之间的关系。
2023-01-11 q-fin.ST
Blindfolded monkeys or financial analysts: who is worth your money? New evidence on informational inefficiencies in the U.S. stock market
有效市场假说一直被认为是金融学中最具争议的论点之一，学术界分为谁声称不可能击败市场，谁相信有可能获得超过平均利润。如果这一假设成立，就像伯顿·麦基尔（Burton Malkiel）所提出的那样，这意味着一只蒙着眼睛的猴子通过向报纸的金融版投掷飞镖来选择股票，它的表现可以和金融分析师一样好，甚至更好。在本文中，我们使用了一种新的方法，基于置信区间的比例，以评估在标准普尔500指数成分的无效率的程度，得出结论，一些股票是无效的：我们估计指数中的无效股票的比例为12.13%和27.87%之间。这支持了其他研究，证明金融分析师可能是比蒙着眼睛的猴子更好的投资者。
2019-10-11 q-fin.ST
Improved Method of Stock Trading under Reinforcement Learning Based on DRQN and Sentiment Indicators ARBR
随着人工智能在金融领域的应用，量化交易被认为有利可图。基于此，本文提出了一种改进的深度递归DRQN-ARBR模型，因为现有的量化交易模型忽略了投资者非理性行为对市场的影响，使得在我国股票市场非有效的环境下应用效果不佳。该模型通过将原模型中的全连接层改为LSTM层，并使用情感指标ARBR构建交易策略，解决了传统DQN模型经验数据存储内存有限、可观测马尔可夫特性对性能影响等问题。同时，本文还改进了原模型中库存状态较少的缺点，选择了更多的技术指标作为模型的输入值。实验结果表明，本文提出的DRQN-ARBR算法能够显著提高股票交易中强化学习的性能。
2021-11-19 q-fin.ST
Self-Similar Log-Periodic Structures in Western Stock Markets from 2000
股市崩溃前后对数周期结构的存在被认为是这个复杂系统内在离散尺度不变性（DSI）的印记。该理论的分形框架为在不同时间尺度上观察自相似对数周期结构提供了可能性。在目前的工作中，我们分析了自2000年以来全球三个最重要的指数的每日收盘价：德国DAX和美国纳斯达克100和标准普尔500。这些不同的市场的定性行为是相似的，在研究的时间框架。证据发现减速的日志周期振荡的持续时间约两年，并在2000年9月开始。此外，从2002年5月开始的嵌套子结构被揭示，带来更多的证据来支持自相似，对数周期行为的假设。还揭示了持续的对数周期振荡。上述期间的Lomb分析表明优先比例因子$λ\sim 2$。还存在更高次谐波。已被发现的数据的光谱图案是类似的维尔斯特拉斯型函数，用作一个原型的对数周期分形函数。
2005-03-12 cond-mat.other q-fin.ST
Two Fractal Overlap Time Series: Earthquakes and Market Crashes
我们发现显着的相似之处的时间序列的功能（模型地震或）重叠的两个康托集时，一组移动与统一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。
2007-12-24 physics.soc-ph q-fin.ST
Measuring capital market efficiency: Global and local correlations structure
本文引入了一种新的资本市场有效性测度。该方法考虑了收益的相关结构（长期记忆和短期记忆）和局部羊群行为（分形维数）。效率的度量是指与理想的有效市场状况之间的距离。方法适用于41个股票指数的投资组合。我们发现日本NIKKEI是最有效的市场。从地理角度来看，效率较高的市场主要是欧洲股票指数，效率较低的市场主要包括拉丁美洲、亚洲和大洋洲。低效率主要是由本地放牧，即低分形维数。
2012-08-06 q-fin.GN q-fin.ST
Neural networks for stock price prediction
Henan Normal University（河南师范大学）；Yunnan Normal University（云南师范大学）；Sichuan University（四川大学）
由于金融市场的剧烈波动性，股票价格预测是一项极具挑战性的任务。然而，为了盈利或了解股票市场的本质，许多市场参与者或研究人员试图使用各种统计，计量经济学甚至神经网络模型来预测股票价格。在这项工作中，我们调查和比较五个神经网络模型，即反向传播（BP）神经网络，径向基函数（RBF）神经网络，一般回归神经网络（GRNN），支持向量机回归（SVMR），最小二乘支持向量机回归（LS-SVMR）的预测能力。我们应用这五个模型对中国银行、万科A和贵州茅台三只个股进行了价格预测。以均方误差和平均绝对百分比误差为评价标准，我们发现BP神经网络的预测性能一致且鲁棒性好于其他四种模型。
2018-05-29 cs.LG q-fin.ST stat.ML
Stock Market Analysis with Text Data: A Review
University of Technology Sydney（悉尼科技大学）
股票市场的走势受到通过新闻文章、公司报告和社交媒体讨论分享的公共和私人信息的影响。分析这些庞大的数据来源可以为市场参与者提供获利的优势。然而，文献中的大多数研究都是基于传统的方法，在分析非结构化的，大量的文本数据不足。在这项研究中，我们提供了一个基于文本的股票市场分析的大量现有文献的回顾。我们介绍了输入数据类型，并涵盖了主要的文本数据源和变体。特征表示技术，然后提出。然后，我们涵盖了分析技术和创建一个分类的主要股票市场预测模型。重要的是，我们讨论了分类法中每个类别的代表性工作，分析了它们各自的贡献。最后，本文展示了未解决的开放问题的调查结果，并提出了未来工作的建议。本研究的目的是综述主要的股票市场分析模型、用于金融市场预测的文本表示技术、现有技术的不足，并提出未来研究的方向。
2021-07-09 cs.LG q-fin.ST
Incorporating Interactive Facts for Stock Selection via Neural Recursive ODEs
Southwestern University of Finance and Economics（西南财经大学）；University of Maryland, College Park（马里兰大学帕克分校）；Pennsylvania State University（宾夕法尼亚州立大学）；University of Electronic Science and Technology of China（电子科技大学）
选股是对股票进行排序，以优化投资决策，使投资风险最小化，利润回报最大化。最近，研究人员开发了各种基于（循环）神经网络的方法来解决这个问题。毫无例外，他们主要利用历史市场波动来提高选择绩效。然而，这些方法在很大程度上依赖于离散采样的市场观察，这要么没有考虑股票波动的不确定性，或预测未来的连续股票动态。此外，一些研究考虑了多个领域（例如，行业和股东）。然而，不同领域之间隐含的交叉依赖性尚未得到充分的研究。为了解决这些问题，我们提出了一种新的股票选择解决方案-股票ODE，一个潜在的变量模型与高斯先验。具体来说，我们设计了一个运动趋势相关性模块，以揭示股票运动的时变关系。我们设计了神经递归常微分方程网络（NRODE），以连续动态的方式捕捉股票波动的时间演化。此外，我们建立了一个层次超图，以纳入股票之间的领域感知依赖。在两个真实世界的股票市场数据集上进行的实验表明，StockODE显着优于几个基线，如高达18.57%的平均改善夏普比率。
2022-10-28 cs.LG q-fin.ST
Listening to Chaotic Whispers: A Deep Learning Framework for News-oriented Stock Trend Prediction
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft Research（微软研究院）
股票走势预测是实现股票投资收益最大化的关键。然而，由于股票市场的高度波动性和非平稳性，精确的趋势预测是非常困难的。互联网上爆炸式的信息，加上自然语言处理和文本挖掘技术的不断发展，使投资者能够从在线内容中揭示市场趋势和波动。遗憾的是，与股市相关的网络内容的质量、可信度和全面性差异很大，很大一部分是低质量的新闻、评论甚至谣言。为了应对这一挑战，我们模仿人类面对如此混乱的在线新闻的学习过程，由三个原则驱动：顺序内容依赖，多样影响，以及有效和高效的学习。本文针对前两个原则，设计了一个混合注意力网络，根据最近的相关新闻序列来预测股票走势。此外，我们采用自定进度的学习机制来模仿第三个原则。在真实股市数据上的大量实验证明了该方法的有效性。
2019-02-20 cs.LG cs.SI q-fin.ST
Social Network based Short-Term Stock Trading System
Politecnico di Milano（米兰理工大学）
本文提出了一种新的自适应算法的自动化短期交易的金融工具。该算法采用语义情感分析技术来检查Twitter帖子，并使用它们来预测股票市场的行为。事实上，该算法是专门开发的，以利用情绪和特定金融工具的过去价值，以选择最佳投资决策。这使得算法能够确保通过在股票市场上交易获得的利润最大化。我们进行了投资模拟，并比较了我们提出的性能与一个著名的基准（DJTATO指数）和最佳的结果，其中投资者提前知道产品的未来价格。结果表明，我们的方法优于基准测试，并取得了接近最优结果的性能得分。
2018-01-16 cs.AI cs.SI q-fin.ST
Efficiency of the Moscow Stock Exchange before 2022
本文研究了莫斯科证券交易所的效率水平。如果一个市场的资产价格充分反映了所有可获得的信息，那么这个市场就被称为有效市场。我们发现，在2012年至2021年的大部分月份，市场有效性的程度显著较低。我们通过（i）过滤掉金融数据中的干扰和（ii）计算过滤后的回报时间序列的香农熵来计算市场有效性的程度。为了从收益率时间序列中筛选出这种规律性模式，我们开发了一种简单的方法来估计经验数据中的波动性和价格陈旧性。然后，根据一些熵度量，将股票收益率的金融时间序列聚类成不同的组。特别是，我们使用的Kullback-Leibler距离和一种新的熵度量捕捉对股票之间的共同运动。通过使用蒙特卡罗模拟，我们能够确定一组18只股票的市场无效率的时间段。我们发现的莫斯科证券交易所的低效率是一个信号，表明在扣除交易成本后，制定有利可图的战略是可能的。股票偏离有效行为的程度很大程度上取决于其所属的行业。
2022-07-25 q-fin.ST
HiSA-SMFM: Historical and Sentiment Analysis based Stock Market Forecasting Model
Cloud Computing Research Center（云计算研究中心）；National Sun Yat-sen University（国立中山大学）；National Institute of Technology（国家理工学院）
建立一个国家经济的支柱之一是股票市场。多年来，人们投资于股票市场，从他们拥有的资金中赚取尽可能多的利润。因此，有一个能够准确预测未来股票价格的预测模型至关重要。在机器学习的帮助下，这不是一项不可能的任务，因为如果正确建模，各种机器学习技术可能能够提供最佳预测值。这将使投资者能够决定是否购买，出售或持有股票。本文的目的是预测未来的金融股票的公司与提高准确性。在本文中，我们提出了使用历史数据和情绪数据，通过应用LSTM来有效地预测股票价格。通过分析情绪分析领域的现有研究发现，股票价格的变动与新闻文章的发布之间存在很强的相关性。因此，在本文中，我们综合了这些因素，以更准确地预测股票价格。
2022-03-10 cs.AI cs.LG q-fin.ST
Media Moments and Corporate Connections: A Deep Learning Approach to Stock Movement Classification
提出结合金融数据、社交媒体和股票关联的图神经网络分层时间模型，利用S&P 500数据验证，累积回报率提升28%，为投资决策提供实证支持。
2023-09-08 cs.SI q-fin.CP 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
Development of a hybrid method for stock trading based on TOPSIS, EMD and ELM
决定何时买入或卖出股票并不是一件容易的事，因为市场很难预测，受到政治和经济因素的影响。因此，基于计算智能的方法已被应用到这个具有挑战性的问题。在这项工作中，每天的股票排序技术的订单偏好的相似性理想的解决方案（TOPSIS）使用技术分析标准，并选择最合适的股票购买。即使如此，也可能出现市场在某些日子不利于购买，甚至TOPSIS做出错误的选择。为了改进选择，应该使用另一种方法。因此，提出了一种经验模式分解（EMD）和极端学习机（ELM）的混合模型。经验模态分解将序列分解为若干个子序列，从而提取主分量（趋势）。该分量由ELM处理，ELM执行分量的下一个元素的预测。如果ELM预测的值大于上一个值，则确认购买股票。该方法适用于巴西市场的50种股票。TOPSIS法所作的选择相比，随机选择和Bovespa指数产生的回报显示出可喜的结果。与EMD-ELM混合模型的确认能够增加利润交易的百分比。
2022-06-14 cs.NE q-fin.ST
Why Regression? Binary Encoding Classification Brings Confidence to Stock Market Index Price Prediction
The Hong Kong Polytechnic University（香港理工大学）；Singapore Management University（新加坡管理学院）
本文提出Cubic框架，通过潜在空间融合成分股信息，并将回归问题转化为二进制编码分类，结合置信度引导预测与交易，在多个股票市场指数预测中优于现有方法。
2025-05-18 cs.LG q-fin.ST
Market-wide price co-movement around crashes in the Tokyo Stock Exchange
本文以东京证券交易所上市的日经225指数成分股为研究对象，分析了2007- 2009年三年的高频股票收益率数据，研究了股市崩盘前后的价格联动性。对白天连续拍卖中每隔1 min采集的时间序列进行逐日主成分分析，结果显示相关矩阵的最大特征值具有长达数月的显著自相关性，反映了整个市场股价联动的强度。它还与日经225指数的开盘至收盘日内收益率和日收益率密切相关。在多重分形随机游走模型的框架下，研究了最大特征值对应的第一主成分市场模式。在滑动时间窗中估计的模型参数描述了随机波动率的对数的协方差，在几乎所有小于-5%的盘中价格大幅下跌之前增长。这一现象表明，在崩盘之前，整个市场的集体行为正在上升，这可能反映了市场参与者的羊群效应。
2013-06-10 q-fin.ST
Modeling long-range memory trading activity by stochastic differential equations
提出了一种由非线性随机微分方程驱动的分形点过程模型。该模型根据金融市场交易活动的经验数据进行了调整。这再现了在股票市场中观察到的交易活动的概率分布函数和功率谱密度。我们提出了一个简单的交易活动和回报率之间的随机关系，这使我们能够重现长期记忆的波动性的统计特性的数值计算的基础上提出的分形点过程。
2006-08-03 physics.soc-ph q-fin.ST
Are European equity markets efficient? New evidence from fractal analysis
对欧洲七个国家和美国的股票市场指数进行了分形分析。我们发现证据的长期依赖性的日志返回序列的Mibtel（意大利）和PX全球（捷克共和国）。长期相关性意味着对数回报中的可预测模式不会很快消失，因此可能会产生潜在的套利机会。因此，这些结果与有效市场假说相矛盾。我们发现，纠正短期依赖，或预过滤，可能会处理真正的长期依赖，这表明市场是有效的情况下，它不是。预滤波并不显著降低检验的功效，仅适用于赫斯特指数（长范围依赖性的度量）位于无长范围依赖性的边界之外的情况。对于临界情况，预过滤程序降低了测试的功效。另一方面，不存在预过滤不会导致显著过大的测试。
2014-02-06 q-fin.ST
Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction
Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）；Hanoi University of Science and Technology（河内理工大学）；Griffith University（格里菲斯大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）
深度神经网络（DNN）架构的进步为股票市场数据提供了新的预测技术。与其他多变量时间序列数据不同，股票市场显示出两个独特的特征：（i）\emph{multi-order dynamics}，因为股票价格受到强非成对相关性的影响（例如，（ii）\emph{internal dynamics}，因为每只股票都表现出一些特定的行为。最近基于DNN的方法使用超图捕获多阶动力学，但依赖于卷积中的傅立叶基，这是低效和无效的。此外，他们在很大程度上忽略了内部动态，对每只股票采用相同的模型，这意味着严重的信息损失。在本文中，我们提出了一个框架，股票走势预测，以克服上述问题。具体来说，该框架包括时间生成过滤器，这些过滤器在LSTM网络上实现基于记忆的机制，试图学习每只股票的单个模式。此外，我们采用超图注意捕捉非成对相关。这里，使用小波基而不是傅立叶基，使我们能够简化消息传递并专注于局部卷积。美国市场数据的实验表明，我们的框架在利润和稳定性方面优于最先进的方法。我们的源代码和数据可在\url{https://github.com/thanhtrunghuynh93/estimate}上获得。
2022-11-24 cs.AI cs.IR cs.LG
Horse race of weekly idiosyncratic momentum strategies with respect to various risk metrics: Evidence from the Chinese stock market
本文重点研究了不同特质风险度量下的周特质动量（Iesthetic momentum，Iesthetic momentum）。本文以1997年1月至2017年12月中国A股市场的个股为研究对象，首先分别基于原始收益率和特质收益率来评估周动量的表现。之后，进行单变量投资组合分析，以研究相对于各种特质风险度量的回报可预测性。此外，我们进行了比较研究的ICOST投资组合的性能相对于各种风险指标。最后，我们探讨了对投资组合和基于风险的投资组合的可能解释。研究发现：（1）整个样本存在显著的反转效应和反转效应;（2）大部分特质风险指标与截面收益率之间存在负相关关系，且特质波动率（IVol）和最大回撤（IMDs）与更好的业绩相关; 3）此外，基于IVol和基于IMD的投资组合在其他风险度量方面表现出更好的解释能力; 4）最后，IXN以及基于IVol和基于IMD的IXN组合的较高盈利能力被发现与上行市场状态、高水平的流动性和高水平的投资者情绪有关。
2022-10-08 q-fin.ST
Using Company Specific Headlines and Convolutional Neural Networks to Predict Stock Fluctuations
Durham University（杜伦大学）
这项工作提出了一个卷积神经网络（CNN）的预测第二天的股票波动使用公司特定的新闻标题。使用各种配置的字嵌入和卷积滤波器宽度的实验来评估模型的性能。使用的卷积滤波器的总数远远少于常见的，减少了任务的维度而不损失准确性。此外，多个隐藏层与降维。使用预先学习的嵌入实现了61.7%的分类准确率，这些嵌入在训练期间进行了微调，以表示该任务的特定上下文。还实现了多个过滤器宽度，以检测不同长度的短语，这些短语是分类的关键。交易模拟乃使用所呈列分类结果进行。在838天的测试期内，使用最佳分类配置和简单的交易策略，初始投资增加了两倍多。提出了两种新的方法来降低交易模拟的风险。调整sigmoid类阈值和使用多个类重新标记标题形成了这些方法的基础。这些方法的组合被发现在基线模拟期间实现的平均交易利润（ATP）增加了一倍以上。
2020-06-22 cs.CL cs.LG q-fin.ST
Price graphs: Utilizing the structural information of financial time series for stock prediction
Beihang University（北京航空航天大学）
大量的研究工作致力于在股票预测中利用深度神经网络。虽然长期依赖性和混沌属性仍然是两个主要问题，降低了最先进的深度学习模型在预测未来价格趋势方面的性能。在这项研究中，我们提出了一个新的框架来解决这两个问题。具体而言，在将时间序列转换为复杂网络方面，我们将市场价格序列转换为图形。然后，结构信息，指的是时间点之间的关联和节点的权重，从映射图中提取，以解决有关长程依赖和混沌性质的问题。我们采用图嵌入来表示时间点之间的关联作为预测模型的输入。节点权重被用作先验知识，以增强时间注意力的学习。我们提出的框架的有效性进行了验证，使用真实世界的股票数据，我们的方法获得了最好的性能在几个国家的最先进的基准。此外，在进行的交易模拟中，我们的框架进一步获得了最高的累积利润。我们的研究结果补充了复杂网络方法在金融领域的现有应用，并为金融市场决策支持方面的投资应用提供了深刻的影响。
2021-11-01 cs.CY cs.LG q-fin.ST
