首页/论文/1402.7351

arXiv 1402.73512014-02-28cs.CEcs.NE

股票市场预测的机器学习模型

A Machine Learning Model for Stock Market Prediction

Osman Hegazy, Omar S. Soliman, Mustafa Abdul Salam

备注：: 7 Pages. arXiv admin note: substantial text overlap with arXiv:1402.6366
发表信息：: International Journal of Computer Science and Telecommunications [Volume 4, Issue 12, December 2013]

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

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。

英文摘要：

Stock market prediction is the act of trying to determine the future value of a company stock or other financial instrument traded on a financial exchange.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

横截面股票收益预测的视觉注意模型与端到端多模态市场表示学习

Visual Attention Model for Cross-sectional Stock Return Prediction and End-to-End Multimodal Market Representation Learning

技术和基本面分析是用于分析个股的传统工具;然而，金融文献表明，每只个股的价格变动与其他股票密切相关，特别是同一行业的股票。在本文中，我们提出了一个通用的市场代表性，结合基本面和技术指标和个股之间的关系。我们将每日股票市场视为“市场图像”，其中行（按市场部门分组）表示个股，列表示指标。我们在这个市场图像上应用卷积神经网络，以分层的方式构建市场特征。我们使用一个递归神经网络，在市场特征图上具有注意力机制，来模拟市场的时间动态。我们表明，我们提出的模型在短期和长期股票收益预测任务中的表现优于强基线。我们还展示了我们的市场形象的另一个用途：构建适用于下游预测任务的简洁而密集的市场嵌入。

2019-03-08cs.CE

MASTER：市场引导的股票Transformer用于股票价格预测

MASTER: Market-Guided Stock Transformer for Stock Price Forecasting

针对现有股票相关性建模忽略瞬时跨时间关联及特征动态有效性的问题，本文提出市场引导的股票Transformer（MASTER），通过交替聚合股票内与股票间信息并利用市场信息自动选择特征，实现更优的股票价格预测。

2023-12-23cs.CE

证券交易所股票价格预测的ANN模型

ANN Model to Predict Stock Prices at Stock Exchange Markets

University of Nairobi（内罗毕大学）

证券交易所被认为是许多国家金融部门的主要参与者。大多数从事股票交易的股票经纪人都使用技术、基本面或时间序列分析来预测股票价格，以便为客户提供建议。然而，这些策略通常并不能保证良好的回报，因为它们是根据趋势而不是最有可能的价格来指导的。因此，有必要探索改进的预测方法。该研究提出了使用人工神经网络，即具有误差反向传播的前馈多层感知器，并开发了一个配置为5：21：21：1的模型，在130，000个周期中具有80%的训练数据。该研究开发了一个原型，并在内罗毕证券交易所和纽约证券交易所等股票市场2008-2012年的数据上进行了测试，预测结果显示MAPE在0.71%和2.77%之间。使用Encog和Neuroph进行的验证实现了相当的结果。因此，该模型能够对典型的股票市场进行预测。

2014-12-17cs.CEcs.LGcs.NE

基于深度Q网络的全球股票市场预测

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。

2019-02-28cs.CEq-fin.GNq-fin.ST

台湾股市的因果关系

Causalities of the Taiwan Stock Market

本研究以台湾股票市场的日交易记录为基础，探讨其波动性、一阶朗道展开拟合、平稳性与因果关系。与以往的共识不同，本文将股票市场指数的变化看作是一个随机时间序列，而将市场变化看作是由指数和相应的成交量组成的对偶时间序列。因此，这两个时间序列之间的因果关系进行了研究。

2003-04-06cond-mat.stat-mechcs.CEq-fin.ST

设计股票市场指数的代理在计算上是困难的

Designing Proxies for Stock Market Indices is Computationally Hard

在本文中，我们研究的问题，设计代理（或投资组合）的各种股票市场指数的基础上的历史数据。我们使用四种不同的方法来计算市场指数，所有这些都是在实际股票市场分析中使用的公式。对于每个指数，我们考虑三个标准来设计代理：代理必须跟踪市场指数，跑赢市场指数，或在指数的误差范围内执行，同时保持低波动性。在12个案例中的11个案例中（除了使用价格相对指数牺牲回报以降低波动性的问题外，所有四个指数与三个标准的组合），我们证明了这个问题是NP难的，因此很可能是棘手的。

2000-11-13cs.CCcs.CE

更多相关论文收起更多论文

利用投资者社会网络进行中国股市股票预测

Exploiting Investors Social Network for Stock Prediction in China's Market

最近的研究表明，社交媒体平台能够影响股价走势。然而，现有的作品主要集中在美国股市，缺乏对中国等散户投资者主导市场的新兴国家的关注。在这方面，由于散户投资者容易受到新闻或其他社交媒体的影响，从社交媒体平台提取的心理和行为特征被认为可以很好地预测中国市场的股价走势。中国投资者社交网络的最新进展使得能够从网络规模的数据中提取这些特征。本文以中国流行的投资者类Twitter社交平台“雪球”的推文为基础，分析了群体情绪和股票相关性感知的特征，并采用非线性模型对股票价格走势进行了预测。感兴趣的功能证明是有效的，在我们的实验。

2018-01-02cs.CEq-fin.GN

波兰证券交易所市场金融时间序列的局部分形性质

The Local Fractal Properties of the Financial Time Series on the Polish Stock Exchange Market

我们研究的基础上的华沙证券交易所指数（WIG）的演变与最大的发展中金融市场在欧洲的金融时间序列的局部分形性质。计算WIG时间序列的局部赫斯特指数，我们发现WIG时间序列的局部分形特性的行为和金融市场上的崩溃外观之间的一个有趣的依赖关系。

2007-08-02cs.CEphysics.data-anq-fin.ST

BERTopic驱动的股市预测：揭示情感洞察

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。

2024-04-04cs.CEcs.CLq-fin.ST

智能金融背景下用于分析与预测美国股市的随机森林模型

The Random Forest Model for Analyzing and Forecasting the US Stock Market in the Context of Smart Finance

本文在智能金融背景下，使用最优参数的随机森林模型结合人工智能，对四只美国股票测试集进行上涨、横盘、下跌三种趋势预测，并从预测准确性和时间效率两方面评估模型性能。

2024-02-27cs.CEq-fin.PMq-fin.TR