基于新闻特征提取和递归神经网络的股票预测方法

股票市场收益解释的新闻主题选择

Choosing News Topics to Explain Stock Market Returns

我们分析了新闻文章中选择主题来解释股票收益的方法。我们发现，通过经验和理论的结果，监督潜在狄利克雷分配（sLDA）实施通过吉布斯采样在随机EM算法往往会过拟合返回的主题模型的损害。我们通过随机搜索普通LDA模型获得更好的样本外性能。加强有效主题分配的分支程序通常表现最好。我们在超过90，000篇关于标准普尔500指数公司的新闻文章的档案中测试方法。

每日新闻情绪对股价预测的影响

Effects of Daily News Sentiment on Stock Price Forecasting

本文构建约3.7年、近50万篇新闻的NIFTY50新闻数据库，结合价格与多来源情绪分数训练LSTM，比较加入新闻情绪特征对股价预测性能的影响。

倾听混沌耳语：面向新闻的股票趋势预测的深度学习框架

Listening to Chaotic Whispers: A Deep Learning Framework for News-oriented Stock Trend Prediction

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。

基于WSJ的股市预测：基于稀疏矩阵分解的文本挖掘

Stock Market Prediction from WSJ: Text Mining via Sparse Matrix Factorization

我们重新审视基于新闻文章预测股票价格方向性变动的问题：在这里，我们的算法使用《华尔街日报》的每日文章来预测当天的收盘股票价格。我们提出一个统一的潜在空间模型来描述股票价格和新闻文章之间的“协同运动”。与许多现有的方法不同，我们的新模型能够同时利用相关性：（a）股票价格之间，（b）新闻文章之间，以及（c）股票价格和新闻文章之间。因此，我们的模型能够对500多只股票（其中大部分甚至没有在任何新闻文章中提到）进行日常预测，同时具有较低的复杂性。我们对基于我们算法的交易策略进行了广泛的回溯测试。结果表明，我们的模型有更好的准确率（55.7%）相比，许多广泛使用的算法。基于我们模型的交易策略的回报率（56%）和夏普比率也远高于基线指数。

联合新闻、注意力溢出与股票收益

Joint News, Attention Spillover,and Stock Returns

本文基于综合新闻数据集与SEC EDGAR访问记录，发现联合新闻引发股票间注意力传染与溢出，导致个股估值暂时偏高及收益反转，且聚合的联合新闻覆盖率能强烈负向预测未来市场收益，揭示了注意力传染对市场整体高估的作用。

股票市场何时会倾听经济新闻？基于Copulas和新闻线的新的证据

When does the stock market listen to economic news? New evidence from copulas and news wires

研究利用Copulas理论和基于新闻线的新闻指标，发现经济新闻对股市回报的影响非线性且不对称，市场对不利经济新闻反应强烈而对利好新闻则反应较弱。

利用财经新闻的心理语言特征预测印度股票市场

Predicting Indian stock market using the psycho-linguistic features of financial news

利用新闻文章进行财务预测是一个新兴领域。本文提出了一种基于混合智能模型的股票市场预测方法，该方法使用从新闻文章中提取的心理语言变量（LIWC和TAALES）作为预测变量。为了预测的目的，我们采用了各种智能技术，如多层感知器（MLP），组数据处理方法（GMDH），一般回归神经网络（GRNN），随机森林（RF），分位数回归随机森林（QRRF），分类和回归树（CART）和支持向量回归（SVR）。我们对12家在孟买证券交易所（BSE）上市的公司股票的数据进行了实验。我们采用卡方和最大相关性和最小冗余（MRMR）的心理语言学功能，从新的文章等获得的功能选择技术，经过广泛的实验，使用Diebold-Mariano测试，我们得出结论，GMDH和GRNN是统计上最好的技术，在该顺序相对于MAPE和NRMSE值。

利用Spark中的新闻情绪分析和技术指标预测股票趋势

Predicting The Stock Trend Using News Sentiment Analysis and Technical Indicators in Spark

由于股票市场的走势受多种因素的影响，因此预测股票市场的走势一直是一项具有挑战性的工作。在这里，我们通过创建tomorrow_trend特征作为我们要预测的标签，将未来趋势预测问题作为机器学习分类问题来处理。提供不同的特征来帮助机器学习模型预测给定日期的标签;无论是上升趋势还是下降趋势，这些特征都是从股票价格历史中生成的技术指标。此外，由于金融新闻在改变投资者行为方面起着至关重要的作用，因此特定日期的整体情绪评分是根据当天发布的所有新闻创建的，并作为另一个功能添加到模型中。三种不同的机器学习模型在Spark（大数据计算平台），Logistic回归，随机森林和梯度提升机中进行了测试。随机森林是表现最好的模型，测试准确率为63.58%。

用于股票价格预测的新闻情感嵌入

News Sentiment Embeddings for Stock Price Forecasting

本文研究利用《华尔街日报》新闻标题的OpenAI文本嵌入与PCA特征提取来预测SPY日度价格走势，结合美元指数和国债收益率等数据训练390多个模型，发现新闻嵌入可至少提升40%的预测性能。

股价跳涨：消息和成交量起次要作用

Stock price jumps: news and volume play a minor role

为了了解股票价格跳跃的起源，我们将股票收益率的高频时间序列与不同的新闻源进行交叉相关。我们发现，无论是特质性消息还是市场广泛的消息都不能解释价格跳跃的频率和幅度。我们发现，围绕跳跃和围绕消息的波动模式是完全不同的：跳跃之后是波动性增加，而消息往往是平均跟随较低的波动性水平。波动率松弛的形状在两种情况下也明显不同。最后，我们提供了直接的证据表明，大的交易量是_不_负责大的价格跳跃。我们推测，大多数价格跳跃是由接近流动性消失点的订单流波动引起的。

新的和热门的商业新闻及其对股票市场活动的影响

Novel and topical business news and their impact on stock market activities

我们提出了一个指标来衡量的程度，一个特定的新闻文章是新颖的，以及一个指标来衡量的程度，一个特定的新闻项目吸引投资者的注意力。新颖性的衡量标准是通过比较某篇新闻文章与之前的新闻文章的相似程度来获得的，如果之前没有类似的文章，那么这篇文章就被认为是新颖的。另一方面，如果一条新闻同时被许多新闻机构报道，并且被许多从这些机构获得新闻的投资者阅读，那么它就受到了很多关注，因此具有高度的话题性。新闻条目的时事性度量是通过计算其内容与原始新闻文章相似但由其他新闻机构发布的新闻文章的数量来获得的。为了检验指标的表现，我们实证检验了这些指标与日内金融市场指标（如交易数量和价格波动）的相关性。具体来说，我们使用的数据集包括超过9000万的商业新闻报道的英语文章和一个数据集，包括每分钟的股票价格在纽约证券交易所和纳斯达克股票市场从2003年到2014年，并显示，股票价格和交易量表现出显着的反应，新闻文章时，它是新的和热门的。

一种基于股价和新闻的新型Enchanted深度学习股票预测模型

A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News

近年来，机器学习和深度学习已经成为金融数据分析的流行方法，包括金融文本数据、数值数据和图形数据。本文提出使用情绪分析从多个文本数据源中提取有用的信息，并使用混合集成深度学习模型来预测未来的股票走势。混合集成模型包含两个层次。第一层包含两个递归神经网络（RNN），一个长短期记忆网络（LSTM）和一个门控递归单元网络（GRU），然后是一个完全连接的神经网络作为第二级模型。RNN，LSTM和GRU模型可以有效地捕获输入数据中的时间序列事件，并使用全连接神经网络集成多个单独的预测结果，以进一步提高预测精度。这项工作的目的是解释我们的设计理念，并表明集成深度学习技术可以更有效地预测未来股票价格趋势，并且可以比其他传统方法更好地帮助投资者做出正确的投资决策。

股票市场系统行为的事件驱动学习

Event-Driven Learning of Systematic Behaviours in Stock Markets

据报道，金融新闻，特别是新闻中表达的金融事件，为投资者的做多/做空决策提供信息，并影响股票市场的走势。基于此，我们利用金融事件流来训练一个分类神经网络，该网络可以检测美国股票市场中潜在的事件-股票联系和股票市场的系统行为。我们提出的流水线包括（1）一个组合的事件提取方法，利用开放信息提取和神经共指消解，（2）一个BERT/ALBERT增强的事件表示，和（3）一个扩展的分层注意力网络，包括对事件，新闻和时间水平的关注。与最先进的模型相比，我们的管道在预测标准普尔500指数、道琼斯指数、纳斯达克指数和10只个股时实现了更高的准确性和更高的模拟年化回报。

基于图学习的文本和关系数据股票走势预测

Graph-Based Learning for Stock Movement Prediction with Textual and Relational Data

由于市场的不确定性和从机器的角度理解自然语言的困难，从文本信息预测股票价格是一项具有挑战性的任务。以往的研究主要集中在基于单个新闻的情感提取上。然而，金融市场上的股票可能是高度相关的，关于一只股票的一个消息可以迅速影响其他股票的价格。考虑到这种影响，我们提出了一个新的股票走势预测框架：多图递归网络股票预测（MGRN）。该架构允许将来自金融新闻的文本情感和从其他金融数据中提取的多个关系信息相结合。通过对STOXX欧洲600指数股票的准确性测试和交易模拟，我们证明了我们的模型比其他基准更好的表现。

理解新闻文章对市场指数走势的影响：以 Nifty 50 为例

Understanding the Impact of News Articles on the Movement of Market Index: A Case on Nifty 50

本文针对以往研究忽视新闻主题差异的问题，结合多主题新闻情感分析 Nifty 50 指数走势，证明非市场类主题情感也会显著影响指数。

多模态深度学习用于短期股票波动预测

Multimodal deep learning for short-term stock volatility prediction

股票市场波动率预测是一项与评估市场风险相关的任务。我们使用最先进的深度学习方法研究了新闻和价格之间的相互作用，以进行一天前的波动预测。所提出的模型是端到端或使用从其他任务转移的句子编码器进行训练的。我们评估了广泛的股票市场行业，即消费必需品、能源、公用事业、医疗和金融行业。我们的实验结果表明，添加新闻改善了波动率预测相比，只依赖于价格数据的主流模型。特别是，我们的模型在决定系数$R^2$，$MSE$和$MAE$方面优于广泛认可的所有部门的GARCH（1，1）模型，在从新闻和价格数据进行训练时实现了最佳性能。

大型语言模型新闻情感分析对股价变动预测的影响

Impact of LLMs news Sentiment Analysis on Stock Price Movement Prediction

本文研究了基于大型语言模型的新闻情感分析对股价预测的影响，发现DeBERTa模型在预测准确度上表现最佳，集成模型进一步提升了预测性能。

基于新闻的自适应资产定价机器学习模型

A News-based Machine Learning Model for Adaptive Asset Pricing

本文提出了一种新的资产定价模型--新闻嵌入UMAP选择模型（NEUS），来解释和预测基于财经新闻的股票收益。使用各种机器学习算法的组合，我们首先从金融新闻中获得每个基础资产的公司嵌入向量。然后我们根据其公司嵌入获得基础资产的集合。然后，针对每只股票，选取基础资产，用高维统计方法对股票收益率进行解释和预测。新的模型被证明有一个显着更好的拟合和预测能力比法玛-法国5-因子模型。

印度市场中新闻驱动的股票价格预测：先进深度学习模型的比较研究

News-Driven Stock Price Forecasting in Indian Markets: A Comparative Study of Advanced Deep Learning Models

本研究利用印度国家银行30年历史数据，结合LSTM、Facebook Prophet、SARIMA等深度学习模型及新闻情感分析，对印度市场股票价格进行预测比较研究。

中国股票收益对PMI公告的非对称反应

Asymmetric response to PMI announcements in China's stock returns

作为重要的宏观经济指标，制造业采购经理人指数（PMI）通常假设PMI的公布会对股票市场产生影响。国际经验表明，股票市场会对PMI负面消息做出反应。本文以中国为研究对象，实证研究了中国股票市场对PMI的反应。PMI公告对股票市场的非对称效应是：负面的PMI公告不会引起市场反应，而正面的PMI公告通常会引起市场反应。我们进一步发现，对积极的PMI消息的积极反应发生在公布前1天，并持续近3天，并且在经济条件扩张的背景下观察到积极反应。相比之下，在经济下行的情况下，对于低市值、低机构持股比例或高市盈率的股票，对负面PMI消息的负面反应普遍存在。研究结果表明，我国股票市场由于个人投资者数量庞大，在一定程度上具有风险偏好，市场中可能存在信息泄漏现象。

新闻流的提炼与股票反应分析

Distillation of News Flow into Analysis of Stock Reactions

关于金融业务的大量观点、事实和推文提供了测试和分析这些文本来源对股票未来方向的影响的机会。它还创造了必要性，通过统计技术提取这一惊人的，确实是巨大的数据源的信息元素。使用来自专业平台，博客论坛和股票留言板的混合文本源，我们通过不同的词汇情感变量进行提取。这些被用来分析股票的反应：波动性，成交量和回报。情绪的上升，特别是对那些前景悲观的人来说，将影响波动性和成交量。这种影响取决于词汇投射，并且在全球行业分类标准（GICS）部门之间存在差异。基于2009年10月20日至2014年10月13日期间100个标准普尔500指数成分股的评论文章，我们将其投射到BL，MPQA，LM词典中，并使用提取的情绪变量来预测面板背景下的个股指标。利用不同的词汇投射来测试不同的股票反应指标，我们旨在回答以下研究问题：（一）词汇在分析能力上是否一致？(ii)在多大程度上存在不对称的反应？负）？(iii)高关注度公司的消息是否传播得更快，导致股票反应更及时和有效？(iv)从提炼的情绪指标中是否有特定行业的反应？我们发现，在提炼的新闻流中存在显著的增量信息，情绪效应表现为股票反应的非对称性、注意力特异性和行业特异性。

从商业新闻中提取高质量的主题解释了异常的金融市场波动

High quality topic extraction from business news explains abnormal financial market volatility

理解当今社会中信息流和社会活动之间的相互关系是社会科学的基石之一。在金融经济学中，这方面的关键问题是理解和量化所有可能类型的新闻（地缘政治，环境，社会，金融，经济等）影响有组织的股票市场中公司的交易和定价。在本文中，我们试图通过分析汤普森路透社提供的2400多万条新闻记录及其与标准普尔美国股票指数中206只主要股票交易活动的关系来解决这个问题。我们发现，整个景观的新闻，影响股价走势可以自动总结，通过简单的正则化回归之间的交易活动和新闻信息块分解，借助简单的主题建模技术，到他们的“主题”功能。使用这些方法，我们能够估计和量化新闻对交易的影响。我们引入基于网络的可视化技术来表示与一篮子股票相关的新闻信息的整个景观。对代表主题分布的词的检查证实，我们的方法能够提取影响股市的重要信息。我们的研究结果表明，金融经济中最令人困惑的程式化事实之一，即在某些时候，交易量似乎“异常大”，可以部分地用新闻流来解释。从这个意义上说，我们的研究结果证明，不存在“过度交易”，当限制在新闻是真正的新的，并提供相关的金融信息的时候。

股票价格的集体行为是市场崩溃的前兆

Collective behavior of stock prices as a precursor to market crash

2008年10月，雷曼兄弟公司破产3周后，全球各主要证券交易所发生了全球性的股市崩盘。9月15日。本文以伦敦证券交易所上市的富时100指数成分股为研究对象，考察了股票收益率的集体行为，并分析了整个市场的集体模式。在市场崩溃之前，观察到集体行为的急剧上升。它被证明与包括“金融危机”在内的新闻有关。“它们并没有单独严重影响股价，但它们加剧了股票市场参与者普遍存在的悲观情绪。在雷曼兄弟（Lehman）冲击之后，市场崩盘之前，此类消息有所增加。方差随着新闻量的增加而增加，并遵循幂律。

FNSPID：一个时间序列综合金融新闻数据集

FNSPID: A Comprehensive Financial News Dataset in Time Series

该论文提出FNSPID，一个包含1999至2023年标普500公司股票价格与新闻的大规模数据集，通过实验证明其规模和质量能显著提升市场预测准确性，并提供了可复现的更新流程。

Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed Generative Network

Predicting the Stock movement attracts much attention from both industry and academia. Despite such significant efforts, the results remain unsatisfactory due to the inherently complicated nature of the stock market driven by factors including supply and demand, the state of the economy, the political climate, and even irrational human behavior. Recently, Generative Adversarial Networks (GAN) have been extended for time series data; however, robust methods are primarily for synthetic series generation, which fall short for appropriate stock prediction. This is because existing GANs for stock a…

整合股票特征与全局信息的大语言模型以增强股票收益预测

Integrating Stock Features and Global Information via Large Language Models for Enhanced Stock Return Prediction

本文提出一个包含局部-全局模型和自相关强化学习的框架，以整合股票特征与LLM全局信息，提升中国A股市场的股票收益预测性能。

PriceSeer：实时股票预测中大型语言模型的评估

PriceSeer: Evaluating Large Language Models in Real-Time Stock Prediction

PriceSeer通过实时动态数据评估LLMs在股票预测中的性能，提供数据无污染的基准测试及六种先进模型的多时间范围预测分析。

《纽约时报》与股票市场的相关性与信息流动

Correlations and Flow of Information between The New York Times and Stock Markets

我们使用随机矩阵理论（RMT）和信息论来分析2015-2016年期间10个月内《纽约时报》的64，939条新闻与40个世界金融指数之间的相关性和信息流。这组新闻被量化，并使用情绪分析工具转化为每日极性时间序列。RMT的结果表明，一个共同的因素导致世界指数和新闻，甚至有相同的动态。此外，在加入白噪声时，发现全局相关结构保持不变，这表明相关性不是由于样本大小效应。同样，我们发现很多信息从新闻流到世界指数的具体延迟，对交易目的具有实际意义。我们的研究结果表明，新闻和世界指数之间存在着深刻的关系，并显示了新闻驱动世界市场运动的情况，为支持行为金融学作为当前经济范式提供了新的证据。

使用 Transformers 和情感分析支持股票趋势预测

Support for Stock Trend Prediction Using Transformers and Sentiment Analysis

本文提出基于 Transformer 的模型，结合股票技术数据与情感分析，在长时间窗口内提升股票趋势预测准确率，在 30 个工作日序列上方向准确率较 RNNs 提升近 18.63%。

使用多模态深度学习预测盈利公告日的股价方向

Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning

本研究结合基本面指标、技术指标和新闻情感，利用LSTM和Transformer模型预测盈利公告日的股价方向，发现Transformer在识别波动方面更敏感，且新闻情感有助于提升性能。

基于BERT和GAN的股票价格预测

Stock price prediction using BERT and GAN

股票市场一直是一个热门话题的兴趣在最近的过去。通货膨胀率的上升迫使人们投资于股票和商品市场以及其他领域，而不是储蓄。此外，深度学习模型对时间序列数据进行预测的能力已经被一次又一次地证明。借助技术指标对股票市场进行技术分析已成为交易者和投资者最常见的做法。另一个方面是情绪分析-投资者的情绪，表明投资意愿。世界各地的人们已经使用了各种技术，包括基本的机器学习和神经网络。从基本的线性回归到先进的神经网络，人们已经尝试了所有可能的技术来预测股票市场。从最近的事件中可以明显看出新闻和头条新闻如何影响股票市场和加密货币。本文提出了一个集成的国家的最先进的方法来预测股票价格。首先，使用BERT的版本执行对在纳斯达克上市的苹果公司的新闻和标题的情感分析，该版本是由Google用于自然语言处理（NLP）的预训练的Transformer模型。然后，生成对抗网络（GAN）使用技术指标、各国股票指数、一些商品和历史价格以及情绪得分来预测苹果公司的股票价格。与基线模型进行比较，如长短期记忆（LSTM），门控递归单位（GRU），香草GAN和自回归综合移动平均（ARIMA）模型。

Hype Index：一种由 NLP 驱动的市场新闻关注度度量

The Hype Index: an NLP-driven Measure of Market News Attention

本文提出基于 NLP 的 Hype Index，从新闻计数和市值调整两个层面度量 S&P 100 个股与行业的媒体关注，并验证其在波动分析和短期市场信号中的作用。

ChatGPT能否预测股价走势？收益可预测性与大语言模型

Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models

本研究发现ChatGPT等大语言模型无需金融训练即可通过新闻头条预测股市反应，预测能力随模型规模提升，且构建了结合LLM技术等因素的理论模型解释相关发现。

基于扩展耦合隐马尔可夫模型的多源股票市场预测

Enhancing Stock Market Prediction with Extended Coupled Hidden Markov Model over Multi-Sourced Data

传统的股票市场预测方法通常只利用历史交易数据，忽略了股票市场波动会受到其他各种信息源（如股票相关事件）的影响。虽然最近的一些工作提出了考虑事件数据的事件驱动预测方法，如何利用多个数据源的联合影响仍然是一个开放的研究问题。在这项工作中，我们研究了如何探索多个数据源，以提高股票预测的性能。我们引入了一个扩展的耦合隐马尔可夫模型，将新闻事件与历史交易数据相结合。为了解决单个股票的新闻事件的数据稀疏性问题，我们进一步研究了股票之间的波动相关性，并将相关性纳入模型中，以促进预测任务。对2016年中国A股市场数据的评估表明，我们的模型优于以往的方法。

新闻情绪网络作为风险指标

News-sentiment networks as a risk indicator

为了了解新闻情绪和公司股价走势之间的关系，并更好地了解公司之间的连通性，我们定义了一个算法来衡量基于情绪的网络风险。该算法通过计算个体风险和聚合网络风险，对网络中的公司进行排名，并衡量基于情绪的风险。我们提取公司的相对情绪，以衡量单个公司的风险，并将其输入到我们的风险模型中，同时每季度从新闻中提取公司的共同出现。我们可以证明，我们的风险模型输出的最高季度风险值与风险测量后70天内股价下跌的可能性更高相关。我们的研究结果表明，与包含同一时期所有风险值的基准相比，股票价格下跌概率的最大差异是在季度测量后的21至30天之间。公司股价下跌的最高平均概率出现在公司达到最大风险值后延迟28天时。每日下跌的最高概率差异计算为13个百分点。

Multi-step-ahead Stock Price Prediction Using Recurrent Fuzzy Neural Network and Variational Mode Decomposition

Financial time series prediction, a growing research topic, has attracted considerable interest from scholars, and several approaches have been developed. Among them, decomposition-based methods have achieved promising results. Most decomposition-based methods approximate a single function, which is insufficient for obtaining accurate results. Moreover, most existing researches have concentrated on one-step-ahead forecasting that prevents stock market investors from arriving at the best decisions for the future. This study proposes two novel methods for multi-step-ahead stock price prediction …

股票价格预测与深度学习

Stock price forecast with deep learning

在本文中，我们比较了各种方法，股票价格预测使用神经网络。我们分析了全连接，卷积和递归架构在基于其先前值预测S&P 500指数次日值时的性能。我们进一步扩展我们的分析，包括三种不同的优化技术：随机梯度下降，均方根传播和自适应矩估计。数值实验表明，一个单层递归神经网络与RMSprop优化器产生最佳的结果与验证和测试的平均绝对误差分别为0.0150和0.0148。

股票走势预测中的细粒度事件处理

Incorporating Fine-grained Events in Stock Movement Prediction

考虑事件结构信息已被证明有助于基于文本的股票走势预测。然而，现有的工作主要采用粗粒度的事件，这失去了不同的事件类型的特定语义信息。在这项工作中，我们建议将细粒度的事件在股票走势预测。首先，我们提出了一个由领域专家构建的专业金融事件字典，并使用它来自动提取金融新闻中的细粒度事件。然后，我们设计了一个神经模型，结合金融新闻与细粒度的事件结构和股票交易数据来预测股票走势。此外，为了提高该方法的通用性，我们设计了一个先进的模型，使用提取的细粒度事件作为远程监督标签训练的事件提取和股票预测的多任务框架。实验结果表明，该方法优于所有基线，具有良好的泛化能力。

多智能体股票预测系统：机器学习模型、模拟与实时交易策略

Multi-Agent Stock Prediction Systems: Machine Learning Models, Simulations, and Real-Time Trading Strategies

该研究聚焦股价预测问题，对比评估多种循环神经网络架构的预测性能，发现基于注意力机制的模型因能同时捕捉长短依赖实现最高准确率，为AI驱动金融预测及高效交易系统开发提供参考。

Multiclass Sentiment Prediction for Stock Trading

Python was used to download and format NewsAPI article data relating to 400 publicly traded, low cap. Biotech companies. Crowd-sourcing was used to label a subset of this data to then train and evaluate a variety of models to classify the public sentiment of each company. The best performing models were then used to show that trading entirely off public sentiment could provide market beating returns.

揭示情感的潜力：大型语言模型能否预测中国股票价格走势？

Unveiling the Potential of Sentiment: Can Large Language Models Predict Chinese Stock Price Movements?

本文通过标准化实验流程评估三种大型语言模型从中文新闻摘要中提取情感因子并构建量化交易策略的表现，以探究LLMs预测中国股票价格走势的潜力。

多模态股价预测：以俄罗斯证券市场为例

Multimodal Stock Price Prediction: A Case Study of the Russian Securities Market

本研究针对俄罗斯证券市场股价预测问题，提出结合K线时间序列与俄语新闻文本的多模态方法，实验显示引入文本模态可使MAPE降低55%，同时构建的多模态数据集对金融领域语言模型适配有价值。

基于神经网络的股票价格预测与假设检验

Stock Price Forecasting and Hypothesis Testing Using Neural Networks

在这项工作中，我们使用递归神经网络和多层感知器从历史数据中预测纽约证券交易所，纳斯达克和美国证券交易所的股票价格。我们使用不同的架构进行实验，并比较数据规范化技术。然后，我们利用这些发现，通过正式的统计检验来质疑有效市场假说。

基于异构信息融合的股票市场预测研究

Improving Stock Market Prediction via Heterogeneous Information Fusion

传统的股票市场预测方法通常利用股票的历史价格相关数据来预测其未来趋势。随着网络信息量的增长，近年来有研究试图挖掘财经新闻来提高预测能力。有效指标，例如，与股票相关的事件和人们对市场和股票的情绪，已被证明对股票的波动起着重要作用，并被提取出来输入到预测模型中，以提高预测精度。然而，以前的方法的一个主要局限是，指标只从一个来源，其可靠性可能很低，或从几个数据来源，但它们之间的相互作用和相互关系的多个来源的数据在很大程度上被忽视。在这项工作中，我们提取的事件，从网络新闻和用户的情绪，从社会媒体，并通过耦合矩阵和张量因子分解框架研究他们对股票价格走势的联合影响。具体而言，首先构造一个张量来融合异质数据，并捕捉事件和投资者情绪之间的内在联系。由于张量的稀疏性，两个辅助矩阵，股票数量特征矩阵和股票相关性矩阵，构造和合并，以协助张量分解。其背后的直觉是，彼此高度相关的股票往往会受到同一事件的影响。因此，我们不是单独和独立地进行每个股票预测任务，而是通过它们的共性同时预测多个相关股票，这是通过在矩阵和张量之间共享协作分解的低秩矩阵来实现的。通过对2015年中国A股和香港A股数据的实证分析，验证了该模型的有效性。

股票收益中的经济力量

Economic Forces in Stock Returns

本文基于1986年归因模型的一般框架进行归因分析，进一步验证经济因子对股票收益的重要性并识别显著因子的具体身份。

多模态股票价格预测

Multimodal Stock Price Prediction

本文提出一种结合传统金融指标、推文和新闻文章的多模态机器学习股票价格预测方法，利用 ChatGPT-4o 和 FinBERT 进行情感分析并整合至 LSTM 模型中，使预测有效性提升高达 5%。

基于PCA的递归神经网络对航天相关公司股价的预测

Share Price Prediction of Aerospace Relevant Companies with Recurrent Neural Networks based on PCA

资本市场在航天产业的市场运作中起着至关重要的作用。但由于股票市场的不确定性和复杂性以及诸多周期性因素，航天上市公司股价波动明显。这使得股价预测具有挑战性。为了提高航空航天行业股价的预测能力，更好地理解各指标对股价的影响，提出了一种主成分分析（PCA）与递归神经网络相结合的混合预测模型。我们调查了两种类型的航空航天工业（制造商和运营商）。实验结果表明，主成分分析方法可以提高预测的准确率和效率。各种因素都可能影响预测模型的性能，例如财务数据、提取的特征、优化算法和预测模型的参数。特征的选择可能取决于历史数据的稳定性：当股价稳定时，技术特征可能是首选，而当股价波动较大时，基本面特征可能更好。RNN的延迟还取决于不同类型公司历史数据的稳定性。对于航空航天制造商，使用短期历史数据，而对于航空航天运营航空公司，使用长期历史数据，这将更加准确。该模型可以作为股票自动预测系统中的智能代理，金融业可以根据预测的未来股票价格及时做出经济战略和业务活动的决策，从而提高投资回报率。目前，COVID-19严重影响航空航天工业。所开发的方法可用于预测航空航天工业在COVID-19后的股价。

基于机器学习的人工智能股票市场预测有效性研究

Effectiveness of Artificial Intelligence in Stock Market Prediction based on Machine Learning

本文试图解决利用人工智能（AI）策略进行股票市场预测的问题。股票市场的预测可以根据两个主要的分析建模，称为技术和基本面。在技术分析方法中，采用回归机器学习（ML）算法，根据历史价格数据预测营业日结束时的股票价格趋势。与此相反，在基本面分析中，分类ML算法被应用于基于新闻和社交媒体的公众情绪分类。在技术分析中，历史价格数据来自雅虎财经，在基本面分析中，Twitter上与股票市场相关的公共推文被调查，以评估情绪对股票市场预测的影响。结果显示了中等的表现，这意味着在目前的人工智能技术下，声称人工智能可以击败股票市场还为时过早。

HiSA-SMFM：基于历史和情绪分析的股票市场预测模型

HiSA-SMFM: Historical and Sentiment Analysis based Stock Market Forecasting Model

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。

对冲基金视角下大型语言模型在股票价格预测中的综述

A Review of Large Language Models for Stock Price Forecasting from a Hedge-Fund Perspective

本文综述了大型语言模型在股票预测中的应用，包括从新闻和社交媒体提取情绪、分析财务报告和电话会议记录，以及构建多智能体交易系统，并指出实践中常被忽视的问题，如情绪分析的脆弱性、数据集和时间范围设计、性能评估指标、数据泄露、流动性溢价和股价预测的局限性。

世界证券交易所网络的波动价格动态

Tremor price dynamics in the world's network of stock exchanges

我们从地球构造板块运动的模型中获得了对世界证券交易所价格动态中压力的建立和释放的新理解。由于人类对大变化的反应不成比例的行为属性，非线性进入模型。这种非线性响应使我们能够将给定股票指数的价格变动分类为由于所讨论的国家的特定经济新闻而产生的，或者是由世界证券交易所的整体反应一起像一个复杂的系统。在结构上类似于金融学中的资本资产定价模型，该模型预测了个体证券交易所应该如何根据全球交易所市场的表现进行定价，但定价中包含了人类行为特征。该模型的一些假设是根据世界上24个主要证券交易所的经验数据验证的。我们展示了如何门槛效应可以导致同步的全球网络的证券交易所。

基于时序逻辑的股票收益因果关系研究

Investigating Causal Relationships in Stock Returns with Temporal Logic Based Methods

我们描述了一个新的因果推理框架及其应用返回时间序列。在这个系统中，因果关系被表示为逻辑公式，允许我们以计算效率高的方式测试任意复杂的假设。我们模拟返回时间序列使用一个共同的因子模型，并表明，在此数据的方法描述显着优于格兰杰因果关系（这种类型的问题的主要方法）。最后，我们将该方法应用于实际收益率数据，表明该方法可以发现股票之间的新关系。所描述的方法是一种通用的方法，它将允许在不同的时间尺度（从利率公告到收益报告再到新闻报道）将价格和数量数据与定性信息相结合，从而揭示一些以前看不见的看似相关的价格变动的共同原因。