The Role of AI in Financial Forecasting: ChatGPT's Potential and Challenges
University of Connecticut（康涅狄格大学）
本文探讨了AI特别是ChatGPT在金融预测中的潜力与挑战，分析了深度学习、强化学习等技术对金融服务的重塑作用，并展望了AI推动金融行业转型与创新的未来方向。
2024-11-07 cs.AI cs.CY q-fin.ST
Financial Time Series Analysis and Forecasting with HHT Feature Generation and Machine Learning
提出了一种基于互补集合经验模式分解（CEEMD）和希尔伯特-黄变换（HHT）的非平稳金融时间序列分析方法。这种噪声辅助的方法将任何时间序列分解成许多固有模式函数，以及相应的瞬时幅度和瞬时频率。模式的不同组合允许我们使用不同时间尺度的分量来重建时间序列。然后，我们应用希尔伯特谱分析来定义和计算相关的瞬时能量频谱，以说明嵌入在原始时间序列中的各种时间尺度的属性。使用HHT，我们生成一组新特征，并将它们集成到机器学习模型中，例如回归树集成、支持向量机（SVM）和长短期记忆（LSTM）神经网络。使用经验金融数据，我们比较了几个HHT增强的机器学习模型的预测性能。
2021-05-23 q-fin.CP q-fin.ST
Transformers Beyond Order: A Chaos-Markov-Gaussian Framework for Short-Term Sentiment Forecasting of Any Financial OHLC timeseries Data
针对金融OHLC数据短期情绪预测的挑战，提出混沌-马尔可夫-高斯（CMG）框架，融合混沌理论、马尔可夫链和Gaussian过程，并增强Transformer模型，实现高效准确预测，优于传统基线。
2025-06-06 cs.CE q-fin.ST
Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting
Duke University（杜克大学）
本文提出了一种新的贝叶斯动态模型，用于金融预测中的价格-实现波动率时间序列。通过将新的动态伽马过程模型与传统贝叶斯动态线性模型结合，改进了波动率杠杆和反馈效应的建模。
2026-05-12 q-fin.ST stat.ME
Volatility Forecasting in Global Financial Markets Using TimeMixer
Hong Kong Community College（香港社区学院）
本研究应用 TimeMixer 模型预测全球金融资产波动率，发现其通过多尺度混合方法在短期预测中表现优异，但在长期预测中准确性下降，适用于金融风险管理。
2024-09-27 cs.AI cs.LG q-fin.ST
Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach
Independent Researcher（独立研究者）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Southern Methodist University（南卫理公会大学）；Shanghai University of Finance and Economics（上海财经大学）
本文提出混合机器学习算法比较研究以预测比特币价格并提升可解释性，引入OLS、LASSO、LSTM和决策树，实验表明线性回归性能最佳，并系统概述时间序列预处理技术以挖掘复杂模式。
2023-12-31 cs.LG q-fin.ST
Bilinear Input Normalization for Neural Networks in Financial Forecasting
Tampere University（坦佩雷大学）；Aarhus University（奥胡斯大学）
数据规范化是构建机器学习模型时最重要的预处理步骤之一，特别是当感兴趣的模型是深度神经网络时。这是因为使用随机梯度下降优化的深度神经网络对输入变量范围敏感，并且容易出现数值问题。不同于其他类型的信号，金融时间序列往往表现出独特的特征，如高波动性，非平稳性和多模态，使他们具有挑战性的工作，往往需要专业领域的知识来设计一个合适的处理管道。在本文中，我们提出了一种新的数据驱动的规范化方法，用于处理高频金融时间序列的深度神经网络。所提出的归一化方案，它考虑到金融多元时间序列的双峰特性，不需要专业知识来预处理金融时间序列，因为这一步骤被制定为端到端的优化过程的一部分。我们的实验，进行了国家的最先进的神经网络和高频数据，从两个大规模的限价订单簿来自北欧和美国市场，在预测未来的股票价格动态显着改善其他规范化技术。
2021-09-01 cs.LG q-fin.ST
Comparative Analysis of Machine Learning, Hybrid, and Deep Learning Forecasting Models Evidence from European Financial Markets and Bitcoins
本研究对比ARIMA、混合ETS-ANN、kNN等多类预测模型在欧洲金融市场与比特币市场的表现，发现混合ETS-ANN模型整体表现最优，是颇具前景的金融时间序列预测方法，可为投资决策提供参考。
2023-07-17 econ.EM q-fin.RM 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
Calibration Bets on the Past: Post-Training Quantization for Financial Time-Series Forecasting
School of Computing, Montclair State University（蒙特克莱尔州立大学计算机学院）
该研究针对S&P 500的波动率预测，探究PTQ中激活校准对4位量化的影响，发现百分位校准可缓解4位量化的性能下降，为金融预测的低精度部署提供指导。
2026-08-13 cs.LG q-fin.ST
Machine Learning Algorithms for Financial Asset Price Forecasting
University of Oxford（牛津大学）；Saïd Business School（赛德商学院）
本文探讨了机器学习（ML）算法和技术的性能，可用于金融资产价格预测。资产价格和收益的预测和预测仍然是量化金融和从业人员面临的最具挑战性和最令人兴奋的问题之一。近年来生成和捕获的数据大量增加，为利用机器学习算法提供了机会。这项研究直接比较和对比了现代机器学习算法在高性能计算（HPC）基础设施上的最新实现与传统和高度流行的资本资产定价模型（CAPM）在美国股票数据上的实现。实施的机器学习模型-在整个股票宇宙的时间序列数据上训练（除了外部宏观经济变量）显着优于CAPM的样本外（OOS）测试数据。
2020-03-31 cs.LG econ.EM q-fin.ST
Data-driven Neural Architecture Learning For Financial Time-series Forecasting
Tampere University of Technology（坦佩雷理工大学）；Aarhus University（奥胡斯大学）
金融时间序列的预测是一个具有挑战性的任务，因为大多数现实世界的数据表现出非平稳性和非线性相关性。此外，不同的数据模态往往嵌入不同的非线性关系，这是很难捕捉的人类设计的模型。为了解决金融时间序列预测中的监督学习任务，我们提出了一个最近制定的算法，自适应地学习映射函数，实现了一个异构的神经架构组成的广义运算感知器，给定一组标记的数据。通过修改目标函数，该算法可以适应经常观察到的不平衡数据分布问题。在一个大规模的限价订单数据集上的实验表明，该算法优于相关算法，包括基于张量的方法，可以访问更广泛的输入信息。
2019-03-05 cs.CE cs.LG q-fin.ST
A Novel Approach to Forecasting Financial Volatility with Gaussian Process Envelopes
本文利用高斯过程（GP）回归方法，通过预测时间序列的包络，提出了一种新的预测金融收益波动性的方法。我们提供了一个直接的比较，他们的表现传统的方法，如甘精胰岛素。我们比较了三种方法的预测能力：GP回归的绝对和平方收益;回归的包络线的回报和绝对回报;和回归的包络线的负和正回报分别。我们使用高斯先验的最大后验估计来确定我们的超参数。我们还测试了超参数更新在每个预测步骤的效果。我们使用我们的方法来预测样本外波动的四种货币对在2年的时间内，在半小时的时间间隔。从三个内核中，我们选择为我们的数据提供最佳性能的内核。我们使用两个已公布的准确性措施和四个统计损失函数来评估预测能力的GSTs与GP。在均方误差中，GP的表现比随机游动模型好20%，并且对于相同的数据比GARCH好50%。
2017-05-02 cs.CE q-fin.ST stat.ML
Memory, Roughness, and Information Persistence in Financial Markets: A Structural Approach to Volatility Forecasting
Texas Tech University（德克萨斯理工大学）
本文通过结合长记忆估计、粗糙波动率诊断和结构化预测回归，研究了持久性度量在股票波动率建模中的预测价值，发现其能显著提升样本外预测能力，尤其在压力时期。
2026-05-22 q-fin.ST stat.ML
Forecasting duration in high-frequency financial data using a self-exciting flexible residual point process
Yeungnam University（荣州大学）
本文提出利用自激发灵活残差点过程预测限价单簿持续时间，通过保留间到达时间的分布特征，保持自激发和衰减结构，并验证了过程的随机稳定性，实证研究表明模型在超高频交易数据预测中表现优异。
2026-08-19 q-fin.ST q-fin.TR stat.AP
Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020-2022
Universiti Teknologi Malaysia（马来西亚理工大学）
本文综述2020–2022年金融时间序列价格预测的深度学习进展，梳理模型架构、应用与优劣，并指出复杂模型、区间预测、分解集成和数据量影响等未来方向。
2023-09-28 cs.AI cs.LG q-fin.ST
Data Normalization for Bilinear Structures in High-Frequency Financial Time-series
金融时间序列分析和预测在过去几十年中得到了广泛的研究，但仍然是一个非常具有挑战性的研究课题。由于金融市场具有内在的噪声性和随机性，大多数金融时间序列的利息是非平稳的，并且往往从不同的模态中获得。这一特性带来了巨大的挑战，并可能显著影响后续分析/预测步骤的性能。最近，时间注意力增强双线性层（TABL）在解决金融预测问题方面表现出了很好的性能。在本文中，考虑到TABL网络中双线性投影的性质，我们提出了双线性归一化（BiN），这是一个简单而有效的归一化层，可以并入TABL网络，以解决输入序列中的非平稳性和多模态带来的潜在问题。我们的实验使用了一个大规模的限制订单簿（LOB）超过400万的订单事件组成的BiN-TABL优于TABL网络使用其他国家的最先进的归一化方案的大幅度。
2020-07-13 cs.CE q-fin.ST
Dynamical analysis of financial stocks network: improving forecasting using network properties
本研究通过分析股票收益相关网络，提取个股与全局网络属性，用于预测标普500个股未来收益，长期预测R2提升50%，短期提升3%。
2024-08-21 physics.soc-ph q-fin.CP q-fin.ST
Foundation Time-Series AI Model for Realized Volatility Forecasting
本研究评估时间序列基础模型TimesFM在金融波动率预测中的效果，发现增量微调可使其有效适配金融数据，预测准确率统计上优于传统计量模型，证明基础模型结合针对性微调在动态金融预测中的潜力。
2025-05-16 q-fin.RM q-fin.ST
Robust Transformer-Based One-Step Stock Index Forecasting via Shifted Data Augmentation
Faculty of Mathematics and Statistics, Ton Duc Thang University（孙德胜大学数学与统计学院）
提出改进的Transformer架构结合余弦退火学习率调度和移位数据增强（SDA），在VN30和S&P 500指数上有效降低预测误差和波动性，优于增加模型复杂度的方法。
2026-06-16 cs.LG q-fin.ST
Multivariate Financial Forecasting using the Chronos Time Series Foundation Models
Santa Clara University（圣克拉拉大学）
本文利用Chronos-2开源时间序列基础模型，评估多元输入相对于单变量基线在金融预测中的准确性提升，发现多元预测一致优于单变量，尤其在利率和股票市场中表现显著。
2026-05-08 cs.AI q-fin.ST
Integrating LSTM Networks with Neural Levy Processes for Financial Forecasting
Department of Computer Science, University of Verona（计算机科学系，威尼斯大学）
本文提出了一种结合LSTM网络与神经莱维过程的混合模型，利用灰狼优化器优化LSTM参数，并通过人工神经网络校准模型参数，以提高金融预测的准确性。
2025-11-26 cs.LG q-fin.ST
Forecasting with fractional Brownian motion: a financial perspective
分数布朗运动（fBm）通过在非重叠增量之间引入某种依赖性来扩展标准布朗运动。因此，例如，如果考虑对数价格服从fBM，则可以利用fBM的非马尔可夫性质来预测过程的未来状态并进行统计套利。我们提供了新的见解预测fBm，提出理论公式的准确性指标相关的系统交易者，从命中率的预期收益和风险的一个简单的策略。此外，我们还回答了有关在fBm框架中优化交易策略的一些关键问题：要考虑在离散时间内观察到的fBm的哪些滞后增量？如果预测的增量接近于零，达到哪个阈值不投资更有利可图？我们还提出了高频外汇汇率的实证应用，以及已实现波动率系列，探索粗糙波动率的概念，在预测的角度。
2021-09-01 q-fin.MF q-fin.PM q-fin.ST
Forecasting high-frequency financial time series: an adaptive learning approach with the order book data
本文提出了一种以预测为中心的自适应学习模型，结合过去对订单簿和高频数据的研究，并将其应用于假设检验。在以往文献的基础上，本文对沪深300指数期货市场高频买卖数据进行统计分析，并对未来一步价格进行预测。传统的时间序列问题，例如ARIMA顺序选择，平稳性，以及潜在的金融应用都涵盖在探索性数据分析中，这为自适应学习模型铺平了道路。通过设计和运行学习模型，我们发现它与顶级固定模型相比表现良好，有些模型可以通过更稳定和更适应非平稳性来提高预测准确性。假设检验的应用程序与滚动窗口显示，并进一步潜在的应用，金融和统计概述。
2021-02-27 econ.EM q-fin.ST q-fin.TR
Unified GARCH-Recurrent Neural Network in Financial Volatility Forecasting
School of Business, Stevens Institute of Technology（史蒂文斯理工学院商学院）
本文提出GARCH-GRU和GARCH-LSTM模型，通过整合GARCH(1,1)动态提升金融波动预测的准确性、效率和稳健性。
2025-11-21 q-fin.RM q-fin.ST
Risk-Aware Financial Forecasting Enhanced by Machine Learning and Intuitionistic Fuzzy Multi-Criteria Decision-Making
Sakarya University（萨卡里亚大学）；University of East Sarajevo（东萨拉热窝大学）；Korea University（高丽大学）；Necmettin Erbakan University（内吉梅丁·埃尔巴坎大学）；Singapore University of Social Sciences（新加坡社会科学大学）
本研究通过整合机器学习与直觉模糊多准则决策方法，提升金融预测的准确性和风险控制能力。
2025-12-11 cs.LG math.OC q-fin.ST
Improved Financial Forecasting via Quantum Machine Learning
QC Ware Corp（QC Ware公司）；IRIF（法国信息学研究所（IRIF））；Université Paris Cité（巴黎城市大学）；CNRS（法国国家科学研究中心）；Itaú Unibanco（伊塔乌联合银行）
本文利用经典与量子行列式点过程增强随机森林，并设计参数更少的正交/复合层量子神经网络，分别提升客户流失预测和信用风险评估性能。
2024-04-03 cs.LG q-fin.ST quant-ph
Reflexivity as Prompt: Does Awareness of Self-Reinforcing Market Dynamics Improve LLMs as Financial Market Forecasters?
Massachusetts Institute of Technology（麻省理工学院）
研究在繁荣-萧条市场周期中，逐步引入索罗斯反身性理论时，前沿大语言模型作为金融预测者的行为变化，通过方向性预测准确率和夏普比率评估，发现反身性认知在不同模型和上下文窗口中产生不同的预测改进。
2026-05-19 q-fin.ST q-fin.TR
Chain-structured neural architecture search for financial time series forecasting
School of Engineering and Management Vaud (HEIG-VD), University of Applied Sciences and Arts Western Switzerland (HES-SO)（沃州工程与管理学院（HEIG-VD），瑞士西部应用科学与艺术大学（HES-SO））；Predictive Layer SA（Predictive Layer SA公司）
针对金融时间序列预测任务，在链式结构搜索空间中比较贝叶斯优化、Hyperband和强化学习三种NAS策略，优化MLP等简单架构并与TFT对比，发现贝叶斯优化和Hyperband表现最优，同时提出方差克服方法与实现建议。
2024-12-04 cs.LG q-fin.ST
A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments
Dr. A.P.J. Abdul Kalam Technical University (AKTU)（阿卜杜勒·卡里姆·萨迪克技术大学（AKTU））
本文通过918次实验对比九种深度学习架构在加密货币、外汇和股票指数市场中的多时间跨度预测性能，发现架构设计对预测效果影响显著，而随机种子影响较小。
2026-11-02 cs.LG q-fin.GN q-fin.ST
MegazordNet: combining statistical and machine learning standpoints for time series forecasting
由于金融时间序列的混沌特性，对其进行预测一直被认为是一项困难的任务。统计方法在预测市场方向和股票单一价格等一些具体问题上显示出了坚实的结果;然而，随着深度学习和大数据技术的最新进展，出现了新的有希望的选择来解决金融时间序列预测。此外，最近的文献表明，与单一解决方案相比，采用统计和机器学习的组合可以提高预测的准确性。考虑到上述方面，在这项工作中，我们提出了MegazordNet，这是一个结合结构化深度学习模型进行时间序列预测的金融序列中探索统计特征的框架。我们使用不同的指标评估了我们预测标准普尔500指数股票收盘价的方法，我们能够击败单一的统计和机器学习方法。
2021-06-23 cs.AI cs.CE cs.LG
Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data
Humboldt-Universität zu Berlin（柏林洪堡大学）；Bucharest University of Economic Studies（布加勒斯特经济研究大学）
本文整合金融、区块链及Twitter、Reddit文本数据，采用BART MNLI等深度学习NLP模型预测比特币和以太坊，并以局部极值与日价格变动为目标，提升了预测精度、收益和夏普比率。
2024-10-25 cs.LG q-fin.ST stat.ML
Performance Analysis of Hybrid Forecasting Model In Stock Market Forecasting
本文利用已有的几种预测模型，分析了由一致性和遗传规划（GP）组成的混合模型对金融市场的预测性能。该方案可用于对股票市场的深入分析。不同的一致性措施，如Kendalls Tau，Ginis Mean Difference，Spearmans Rho和弱一致性解释被用来搜索过去看起来与现在相似的模式。然后使用遗传编程来尽可能接近地匹配过去的趋势和现在的趋势。然后，基因程序根据接下来发生的事情来估计接下来会发生什么。使用金融时间序列数据（标准普尔500指数和纳斯达克指数）作为样本数据集的概念进行验证。将预测结果与标准ARIMA模型及其它模型进行比较，分析其性能。
2013-05-15 cs.CE q-fin.ST
Expert Aggregation for Financial Forecasting
EDF lab（法国电力实验室）；FiME Laboratory（FiME实验室）；Université Gustave Eiffel（古斯塔夫·埃菲尔大学）；Amundi Asset Management（东方汇理资产管理公司）；Paris Dauphine PSL University（巴黎多芬-PSL大学）；Université Libre de Bruxelles（布鲁塞尔自由大学）
本文提出伯恩斯坦在线聚合方法，将多个机器学习模型的个股收益预测整合为多空投资组合策略，在非平稳市场中实现更高夏普比率和更低风险。
2023-07-06 cs.LG econ.EM q-fin.PM
Multi-period Learning for Financial Time Series Forecasting
School of Computer Science Fudan University（复旦大学计算机学院）
本文提出多周期学习框架MLF，通过三个新模块整合多周期输入以提升金融时间序列预测的准确性和效率。
2026-01-31 cs.AI cs.LG q-fin.ST
VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion
Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校）
VertiFuseX提出一种混合LSTM架构，通过倒数第二层垂直融合多尺度时间表示，在固定超参数下提升金融预测的准确性和泛化能力，显著降低预测误差并支持轻量部署。
2026-09-14 cs.LG q-fin.ST
Cluster-based Regression using Variational Inference and Applications in Financial Forecasting
Goldman Sachs & Co.（高盛集团）；Wells Fargo & Co.（富国银行集团）
本文提出一种基于变分推断同时识别聚类并估计特定聚类回归参数的方法，可输出预测的期望值与完整分布，在金融预测等具有不同状态的市场中表现出清晰可解释性与计算效率。
2023-12-31 cs.LG q-fin.ST stat.ME
Temporal Data Meets LLM -- Explainable Financial Time Series Forecasting
Amazon AWS（亚马逊云科技）；Amazon Alexa AI（亚马逊Alexa人工智能部门）；Amazon Benchmarking（亚马逊基准测试部门）
本研究利用大语言模型（GPT-4与Open-LLaMA）对NASDAQ-100股票进行可解释的金融时间序列预测，通过跨序列推理和多模态信息整合，优于ARMA-GARCH等基线模型，展示了LLM在此领域的潜力。
2023-06-19 cs.AI cs.CL cs.LG
Forecasting Economics and Financial Time Series: ARIMA vs. LSTM
Texas Tech University（得克萨斯理工大学）
时间序列数据预测是经济、商业和金融领域的重要课题。传统上，有几种技术可以有效地预测时间序列数据的下一个滞后，例如单变量自回归（AR），单变量移动平均（MA），简单指数平滑（SES），更值得注意的是自回归积分移动平均（ARIMA）及其许多变化。特别是ARIMA模型在预测时间序列下一个滞后的精度和准确性方面表现出了优异的性能。随着计算机计算能力的最新进步，更重要的是开发了更先进的机器学习算法和方法，例如深度学习，开发了新的算法来预测时间序列数据。本文研究的问题是，新开发的基于深度学习的时间序列数据预测算法，如“长短期记忆（LSTM）"，是否以及如何优于传统算法。本文中进行和报告的实证研究表明，基于深度学习的算法（如LSTM）优于基于传统的算法（如ARIMA模型）。更具体地说，与ARIMA相比，LSTM获得的出错率平均降低了84 - 87%，表明LSTM优于ARIMA。此外，注意到训练次数（在深度学习中称为“epoch”）对训练的预测模型的性能没有影响，并且它表现出真正的随机行为。
2018-03-16 cs.LG q-fin.ST stat.ML
Advancing Exchange Rate Forecasting: Leveraging Machine Learning and AI for Enhanced Accuracy in Global Financial Markets
American International University-Bangladesh（美国国际大学-孟加拉国）；Brac University（布拉卡大学）；Multimedia University Malaysia（马来西亚多媒体大学）
本文利用历史汇率数据开发先进机器学习模型，采用LSTM神经网络实现99.449%的预测准确率，结合梯度提升分类器进行方向预测，展示深度学习在外汇预测中的潜力。
2026-03-27 cs.CL cs.LG q-fin.ST
Dynamic Forecasting and Temporal Feature Evolution of Stock Repurchases in Listed Companies Using Attention-Based Deep Temporal Networks
本文提出结合经济理论的动态预警系统，利用TCN和注意力LSTM捕捉财务演变模式，通过滚动窗口验证模型优于传统方法，揭示回购决策的长期和短期驱动因素。
2026-03-29 cs.AI cs.LG q-fin.ST
Hawkes-based cryptocurrency forecasting via Limit Order Book data
Politecnico di Milano（米兰理工大学）
本研究提出一种基于限价订单簿数据和霍克斯过程及连续输出误差模型的加密货币收益方向预测算法，在预测准确性和累计利润上超越基准模型，并通过50个场景的蒙特卡洛模拟验证了其有效性。
2023-12-21 cs.CE cs.LG q-fin.ST
Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting
Microsoft（微软）
针对金融均值回复时间序列长期预测与不确定性建模问题，本文用GPs结合函数型和增强数据结构，在模拟噪声、厚尾及核失配环境下验证其分布预测能力。
2024-02-23 cs.AI cs.LG q-fin.ST
