Statistical properties of short term price trends in high frequency stock market data
我们研究了高频股票市场数据的短期价格趋势分布。测量了作为其长度的函数的一些趋势。我们发现,这样的分布不适合从一个不相关的随机过程的结果。我们提出了一个简单的模型与记忆,给出了一个定性的协议与真实数据。
2007-09-24 physics.soc-ph q-fin.ST
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
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
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
Stock Market Trend Analysis Using Hidden Markov Models
股票市场的价格波动不是完全随机的。事实上,是什么驱动着金融市场,金融时间序列遵循什么样的模式,一直以来都是吸引经济学家、数学家和最近的计算机科学家的兴趣[17]。本文提出了一种利用隐马尔可夫模型(HMM)对股票市场行为进行趋势分析的思想。这种趋势一旦在某个特定时期出现,将来肯定会重演。求出了某一时段内股票收盘价的日差,并确定了其对应的稳态概率分布值。然后基于特定时间的这些概率值来决定股票市场行为的模式。目标是在给定观测序列的情况下找出隐藏状态序列,以便可以使用稳态概率分布()值分析趋势。六个最佳的隐藏状态序列的产生和比较。当考虑接近值的一天差异时,发现给出最佳的最优状态序列。
2013-11-19 math.PR q-fin.ST
A Decade of Evidence of Trend Following Investing in Cryptocurrencies
加密货币市场具有20世纪大宗商品市场的许多特征,使其成为趋势跟踪策略的有吸引力的候选者。我们从比特币的婴儿期提出了十年的证据,展示了加密货币趋势的潜在投资者回报,255%的年化回报率。我们发现,加密货币提供了与大宗商品相似的回报特征,具有相似的风险调整收益率,以及相对于传统股票的强大熊市多元化。代码可在https://github.com/Globe-Research/bittrends获得。
2020-09-25 q-fin.ST
Market inefficiency identified by both single and multiple currency trends
许多研究表明,有很好的理由声称货币的可预测性非常低,然而,偏离真正的随机性存在,具有潜在的预测和预后能力[J.James,量化金融3(2003)C75-C77]。我们分析了技术分析的主要焦点--本地趋势。在这篇文章中,我们介绍了各种统计量检查的作用,单个时间离散化的趋势或多个趋势对应于不同的时间延迟。我们的具体分析的基础上,欧元-美元货币对数据在一分钟的频率表明,预测性能的趋势的累积非随机效应的重要性。
2011-10-12 physics.data-an q-fin.ST
World stock market: more sizeable trend reversal likely in February/March 2010
基于我们的“金融预测导向”的方法,其中包括这样的元素,如对数周期的自相似性,普遍的首选比例因子λ =2,并允许一个“超级泡沫”的现象,我们分析了2009年世界股票市场(在这里代表的标准普尔500指数,恒生指数和WIG)的发展。我们确定的元素,表明2009年9月的第三个十年的时间限制,目前的牛市阶段,因此,其次是一个重大的调整。在此背景下我们也解读了中国股票市场上证指数。2009年9月的第三个十年伴随着全球股票市场通常在4-5%范围内的调整。考虑到市场模式,随后交付前一个场景的时间,我们提出了一个更新的场景,其关键时间对应于2009年10月28日。假设相当明显(截至2009年11月12日)由于上述关键时间的修正终止,我们延长-与我们的方法一致-股票市场预测方案。相应的预期标准普尔500指数的未来趋势如图5所示,它支持在2010年2月/3月之交的未来可能平均持续上涨。我们还指出了黄金市场的对数周期模式,它们指出2009年11月底是趋势逆转(可能是局部的)预计开始的时间。
2009-11-17 q-fin.ST
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
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
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
Validating Weak-form Market Efficiency in United States Stock Markets with Trend Deterministic Price Data and Machine Learning
DePauw University(迪堡大学)
有效市场假说几十年来一直是经济学研究的主要内容。特别是,弱式市场有效性-即过去的价格不能预测未来的表现-得到了计量经济学证据的有力支持。相比之下,用于预测股票价格的机器学习算法在不同程度上被吹捧为成功的。此外,一些数据科学家吹嘘自己有能力仅使用价格数据就获得高于市场的回报。本研究试图将现有的弱式有效市场的计量经济学研究与算法交易中的数据科学创新联系起来。首先,在过去十年中,股票指数价格的平稳性进行了传统的探索与增广Dickey-Fuller和方差比测试。然后,使用五种机器学习算法实现了一个算法交易平台。计量经济学的研究结果确定了潜在的平稳性,暗示技术评估可能是可能的,尽管算法交易结果在任何机器学习模型中几乎没有预测能力,即使使用特定趋势的指标。考虑到交易成本和风险,没有一个系统能持续获得高于市场的回报。我们的研究结果加强了弱式市场有效性的有效性。
2019-09-11 cs.CE cs.LG econ.EM
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
Persistent collective trend in stock markets
实证结果表明,在股票指数上升期和下跌期,股价的集体走势存在显著差异。研究了1991年至2008年期间道琼斯工业平均指数及其股票成分的数据。皮尔逊型相关性计算股票之间的平均股票对和时间。结果表明一个总的趋势:每当股票指数下跌时,股票价格的变化比股票指数上涨时更相关。对数据进行全面的统计分析表明,观察到的差异是显著的,这表明股东中存在持续的恐惧因素。
2010-05-03 physics.soc-ph 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
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
Potential of ChatGPT in predicting stock market trends based on Twitter Sentiment Analysis
本研究探究ChatGPT能否通过Twitter情感分析预测微软、谷歌股价,发现其评估与两家公司后续股价呈正相关,丰富了对ChatGPT适应性的认知并凸显AI在金融预测的重要性。
2026-08-19 cs.AI cs.CL 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
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
Detecting bearish and bullish markets in financial time series using hierarchical hidden Markov models
金融市场呈现出价格上涨和下跌的交替周期。寻求做出有利可图的投资决策的股票交易者必须考虑这些趋势,其目标是准确预测从看涨到看跌的市场转换,反之亦然。流行的金融时间序列建模工具是隐马尔可夫模型,其中一个潜在的状态过程被用来明确地模拟不同的市场制度之间的切换。然而,隐马尔可夫模型的基本形式无法捕捉短期和长期趋势,这可能导致将短期价格波动误解为长期趋势的变化。在本文中,我们演示了如何层次隐马尔可夫模型可以用来绘制一个全面的金融市场,这可以有助于更复杂的交易策略的发展。建议的方法的可行性说明在两个真实的数据应用程序,我们从两个主要的股票指数,德国Aktienindex和标准普尔500指数的模型数据。
2020-07-29 q-fin.ST stat.AP stat.ME
Detecting Structural breakpoints in natural gas and electricity wholesale prices via Bayesian ensemble approach, in the era of energy prices turmoil of 2022 period: the cases of ten European markets
本研究针对2022年俄乌战争背景下的欧洲能源与相关金融市场,结合滚动赫斯特指数与BEAST贝叶斯集成方法检测价格结构突变点,发现不同市场在突变特征和趋势动态上存在差异化反应。
2024-09-30 q-fin.ST
Tweet Influence on Market Trends: Analyzing the Impact of Social Media Sentiment on Biotech Stocks
本研究利用VADER情绪分析及ARIMA和VAR模型,探讨推文情绪对生物科技股票市场表现的影响,发现社交媒体情绪与股价存在复杂关联,为预测模型改进提供基础。
2024-01-26 cs.LG cs.NA math.FA
Mapping the NFT revolution: market trends, trade networks and visual features
不可替代代币(NFT)是代表艺术品,收藏品和游戏中物品等对象的数字资产。它们在网上交易,通常使用加密货币,通常编码在区块链上的智能合约中。公众对NFT的关注在2021年爆发,当时其市场经历了创纪录的销售,但对其市场的整体结构和演变知之甚少。在这里,我们分析了2017年6月23日至2021年4月27日期间470万NFT的610万笔交易的数据,这些数据主要来自以太坊和WAX区块链。首先,我们描述了市场的统计特性。其次,我们建立了交互网络,表明交易者通常专注于与类似对象相关的NFT,并与交换同类对象的其他交易者形成紧密的集群。第三,我们聚类对象相关的NFT根据其视觉特征,并显示集合包含视觉上同质的对象。最后,我们使用简单的机器学习算法研究了NFT销售的可预测性,发现销售历史和其次的视觉特征是价格的良好预测因素。我们预计,这些发现将刺激进一步研究非功能性语言的生产,采用和交易在不同的情况下。
2021-09-20 cs.CY physics.soc-ph q-fin.ST
Sequential Graph Attention Learning for Predicting Dynamic Stock Trends (Student Abstract)
National Taipei University(国立台北大学);University of Connecticut(康涅狄格大学);National Yang Ming Chiao Tung University(国立阳明交通大学)
股票市场的特点是公司与市场之间的关系复杂。本研究结合顺序图结构与注意机制,在时间上学习全局和局部信息。具体来说,我们提出的“GAT-AGNN”模块比较了多个行业以及单个行业内的模型性能。结果表明,该框架优于国家的最先进的方法,在台湾股票数据集上预测多个行业的股票趋势。
2023-01-15 cs.LG q-fin.ST
Applying Convolutional Neural Networks for Stock Market Trends Identification
在本文中,我们将一种特定类型的人工神经网络-卷积神经网络(CNN)-应用于寻找趋势的起点和终点的问题,这是进入和离开市场的最佳点。我们的目标是探索长期趋势,持续数月,而不是几天。我们模型的关键区别在于,它的标签完全基于专家意见数据。尽管有各种模型完全基于股票价格数据,但一些市场专家仍然认为,交易员能够看到隐藏的机会。标签是通过GUI界面完成的,这意味着专家直接使用图像,而不是数字数据。这一事实使CNN成为算法的自然选择。所提出的框架需要三个CNN子模型的顺序交互,这三个子模型识别窗口中变化点的存在,定位它,并最终识别新趋势的类型-向上,向下或平坦。这些子模型存在一定的缺陷,因此其超参数的标定是进一步研究的主要方向。该研究解决了诸如不平衡的数据集和自相矛盾的标签等问题,以及需要特定的质量指标来跟上实际适用性。本文是在第20届人工智能与软计算Web系统国际会议(ICAISC 2021)上发表的研究全文。
2021-04-19 cs.AI cs.IT math.IT
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
Re-evaluating Short- and Long-Term Trend Factors in CTA Replication: A Bayesian Graphical Approach
本文利用贝叶斯图模型将CTA收益动态分解为短期趋势、长期趋势和市场贝塔因子,揭示了不同时间尺度趋势组合对策略风险调整后表现的影响。
2025-07-17 cs.AI q-fin.PR q-fin.ST
Stationarity of the detrended price return in stock markets
本文提出了一个考虑非平稳效应的股票市场指数的控制方程。这是一个线性福克-普朗克方程(FPE),描述了价格收益率概率分布函数(PDF)的时间演化。通过应用伊藤引理,这个FPE是与一个随机微分方程(ZH),模型的时间演变的价格回报的方式不同于经典的布莱克-斯科尔斯方程。FPE方程和FPE方程都考虑了确定性部分或趋势,以及作为q-高斯噪声的平稳随机部分。利用S\&P500指数的数据对模型进行了验证。在从指数中去除趋势后,我们通过评估多重分形时间序列的赫斯特指数、其功率谱及其自相关性来证明去除趋势的部分是平稳的。
2020-08-22 q-fin.ST
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
TLOB: A Novel Transformer Model with Dual Attention for Price Trend Prediction with Limit Order Book Data
Sapienza University of Rome(罗马萨皮恩扎大学);Technical University of Munich(慕尼黑技术大学)
本文提出基于Transformer和双重注意力的TLOB模型,用于LOB价格趋势预测,并引入消除周期偏差的新标注方法,在FI-2010、NASDAQ和比特币数据集上均超越SoTA,同时揭示了市场效率提升导致的可预测性下降。
2025-05-07 cs.AI cs.LG q-fin.ST
Time Series Analysis in American Stock Market Recovering in Post COVID-19 Pandemic Period
本研究基于三大股指ETF数据,运用LSTM等深度学习方法分析后疫情时期美股趋势,发现市场持续下跌,并提出了有证据支持的LSTM配置方法。
2022-12-10 q-fin.ST stat.AP
Methods for forecasting the effect of exogenous risk on stock markets
市场受到内生和外生风险的影响,这些风险对全球金融和经济市场造成干扰,最终导致股票市场快速下跌。过去,市场在任何经济中断后都会复苏。在此基础上,我们将COVID-19疫情作为一种外生风险的案例研究,并分析其对标准普尔500(S\&P500)指数的影响。我们假设标准普尔500指数在不久的将来再次上涨之前达到最低点。在这里,我们提出了两个案例来预测标准普尔500指数。第一个案例使用了华盛顿大学于2020年4月2日发布的预期死亡估计。对于第二例病例,假设死亡人数高峰将出现在美国发生首例确诊病例后2个月。指数的下降和恢复是在预测趋势的初始点之后的三个月内估计的。该预报是一个预测的投影与随机波动描述的$q$ -高斯扩散过程与三个时空制度。我们的预测是基于这样一个前提,即任何市场反应都可以分解为一个整体的确定性趋势和一个随机性术语。预测是基于确定性部分,对于本案例研究,通过在爆发的初始阶段外推S\&P500数据趋势来近似。随机波动的结构与过去24年的结构相同。预报结果合理,准确率达85%。
2020-07-10 physics.soc-ph 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
Market-Derived Financial Sentiment Analysis: Context-Aware Language Models for Crypto Forecasting
School of Computer Engineering, Iran University of Science and Technology(伊朗科技大学计算机工程学院)
提出基于历史价格趋势的市场衍生标注方法微调上下文感知语言模型,在比特币新闻预测中达89.6%准确率并获高夏普比率,证明语言模型是有效的短期市场预测器。
2025-03-02 cs.CE cs.CL cs.LG
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
Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed Generative Network
New Jersey Institute of Technology(新泽西理工学院)
股票走势的预测一直是业界和学术界关注的焦点。尽管做出了如此重大的努力,但由于股票市场内在的复杂性,其结果仍然不令人满意,这些因素包括供求关系、经济状况、政治气候,甚至是非理性的人类行为。最近,生成对抗网络(GAN)已扩展到时间序列数据,然而,强大的方法主要是合成系列生成,这不足以适当的股票预测。这是因为用于股票应用的现有GANs遭受模式崩溃并且仅考虑一步预测,因此未充分利用GAN的潜力。此外,在当前的GANs中,合并消息和市场波动被忽视。为了解决这些问题,我们利用金融领域的专家知识,并首次尝试将股票走势预测制定为Wasserstein GAN框架进行多步预测。我们提出了IndexGAN,其中包括针对股票市场固有特征的故意设计,利用新闻上下文学习来彻底调查文本信息,并开发一个专注的seq2seq学习网络,该网络捕获股票价格,新闻和市场情绪之间的时间依赖性。我们还利用评论家来近似实际序列和预测序列之间的Wasserstein距离,并开发一种滚动部署策略,以减轻来自金融市场的噪声。在真实世界的广泛指数上进行了大量的实验,证明了我们的架构比其他最先进的基线具有更好的性能,也验证了其所有贡献组件。
2023-02-27 cs.LG q-fin.ST
Dynamical Characteristics of Global Stock Markets Based on Time Dependent Tsallis Non-Extensive Statistics and Generalized Hurst Exponents
我们使用时间相关的扩展Tsallis统计量对股票市场指数进行非线性分析。具体来说,我们评估的q-三元组特定的时间段的目的是展示的时间依赖性的基础市场动态的扩展特征。我们对全球四个主要市场(S&P 500,东京-日经,法兰克福-DAX,伦敦-LSE)的每日收盘价格时间序列进行了分析。为了比较,我们还计算时间相关的广义赫斯特指数(GHE)Hq使用GHE方法,从而估计指数动态的多尺度特性的时间演化。我们专注于关键市场事件之前和之后的时期,如股票市场泡沫(2000年dot.com泡沫,日本1990年泡沫,2008年美国不动产危机),并发现q三重值的时间趋势在这些时期之间显着不同,表明在泡沫破裂前的上升期,市场动态的基本扩展统计数据强烈偏离纯粹的随机行为,而在破裂后,它逐渐收敛到高斯型行为,这是有效市场的特征。我们还得出结论,Tsallis q-三联体的相对时间变化模式可以连接到市场动态的不同方面,并揭示了有用的信息,特别是那些潜在的发展的股票市场泡沫的市场条件。我们发现了q三元组中指数相对变化的特定时间模式和趋势,这些模式和趋势区分了股市泡沫破裂之前和之后的时期。内生和外生股票市场危机之间的差异也被Tsallis q三元组的时间变化所捕获。最后,我们介绍了两个新的时间依赖性的经验度量(Q度量)的Tsallis q-三元组的功能。
2021-04-07 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
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
Stock Market Scale by Artificial Insymmetrised Patterns
考虑了全球股票市场的大型和稳定指数,如纽约证券交易所和标准普尔500指数,以及代表新趋势市场的纳斯达克指数和东欧当地股票市场的WIG指数。由于人工不对称模式(AIP)和时间序列的关系,股票市场指数的平稳性和临时性进行了识别。通过过滤极端事件,发现波动是自相似的。时间上的快照导致对市场相对于其历史的暂时状态的估计。看起来,接近崩溃时,系统的AIP表示会冻结。
2002-07-09 cond-mat.stat-mech 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
SARF: Enhancing Stock Market Prediction with Sentiment-Augmented Random Forest
British Columbia Institute of Technology(不列颠哥伦比亚理工学院);University of Zagreb(萨格勒布大学)
本研究提出情感增强随机森林模型SARF,将FinGPT大模型的情感分析特征融入传统随机森林,用于股市趋势预测,相比传统模型准确率平均提升9.23%。
2024-09-22 cs.LG q-fin.ST
Dynamic Advisor-Based Ensemble (dynABE): Case study in stock trend prediction of critical metal companies
Middlesex School(米德尔塞克斯学校)
由于市场的噪音,股票趋势预测是一项具有挑战性的任务,机器学习技术最近成功地应对了这一挑战。在这项研究中,我们创建了一个新的框架,股票预测,动态顾问为基础的Entrance(dynABE)。dynABE基于感兴趣的公司探索特定领域,通过创建不同的“顾问”来实现功能集的多样化,每个顾问处理不同的领域,为每个顾问遵循有效的模型集成程序,并通过我们开发的在线更新策略将顾问组合在第二级集成中。dynABE能够在活跃交易期间稳健地适应市场的价格模式变化,而无需重新训练整个模型。我们在三家钴相关公司上测试了dynABE,它实现了31.12%的最佳情况下的错误分类误差和359.55%的年化绝对收益率,最大回撤为零。dynABE在所有案例研究中的表现也始终优于支持向量机、神经网络和随机森林的基线模型。
2019-02-23 cs.CE cs.LG q-fin.ST