首页/论文/1801.07960

arXiv 1801.079602018-01-24q-fin.CPq-fin.PRq-fin.ST

股票收益率预测的人工神经网络检验

Stock returns forecast: an examination by means of Artificial Neural Networks

Martin Iglesias Caride, Aurelio F. Bariviera, Laura Lanzarini

发表信息：: Studies in Systems, Decision and Control, vol 125. Springer, Cham
DOI：: 10.1007/978-3-319-69989-9_23

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

几十年来，有效市场假说的有效性一直受到严格的审查。然而，反对它的证据并不确凿。人工神经网络提供了一种无模型的方法来分析过去收益对当前收益的预测能力。本章利用反向传播人工神经网络分析了巴西股票市场的可预测性。我们从Bovespa指数中选取了20只股票，根据不同的市价总值，作为股票规模的代理。我们发现，可预测性与资本化有关。特别是，较大的股票比较小的股票更难预测。

英文摘要：

The validity of the Efficient Market Hypothesis has been under severe scrutiny since several decades. However, the evidence against it is not conclusive. Artificial Neural Networks provide a model-free means to analize the prediction power of past returns on current returns. This chapter analizes the predictability in the intraday Brazilian stock market using a backpropagation Artificial Neural Network. We selected 20 stocks from Bovespa index, according to different market capitalization, as a proxy for stock size. We find that predictability is related to capitalization. In particular, larger stocks are less predictable than smaller ones.

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

金融股票网络的动力学分析：利用网络属性改进预测

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%。

2024-08-21physics.soc-phq-fin.CPq-fin.ST

趋势编码概率多阶模型：一种增强股票市场预测的非机器学习方法

Trend-encoded Probabilistic Multi-order Model: A Non-Machine Learning Approach for Enhanced Stock Market Forecasts

针对机器学习股市预测跨数据集稳健性不足的问题，提出基于趋势编码的多滞后阶概率模型TeMoP，并在九国股指上证明其准确性与稳定性优于现有机器学习方法。

2025-02-17math.PRq-fin.CPstat.AP

一种用于NLP股票收益预测的炒作调整概率测度

A Hype-Adjusted Probability Measure for NLP Stock Return Forecasting

Johns Hopkins University（约翰斯·霍普金斯大学）

本文针对美国半导体板块股票，提出含炒作调整概率测度的NLP预测方法，通过新情绪得分方程处理新闻偏差等问题并扩展概率测度变换工具应用，提升了股票收益与波动率预测准确性。

2025-02-07cs.LGq-fin.CP

金融多模态深度学习：整合和预测国际股票市场

Multimodal Deep Learning for Finance: Integrating and Forecasting International Stock Markets

Sejong University（世宗大学）

在当今日益国际化的经济中，国际股票市场的回报和波动溢出效应是股票动态的主要宏观经济驱动力。因此，有关外国市场的信息是预测国内股票价格的最重要因素之一。然而，国内和国外市场之间的相互关系非常复杂。因此，很难用动力学方程明确地表达这种互相关。在这项研究中，我们使用多模态深度学习开发了可以共同考虑国际市场的股票收益预测模型。我们的贡献有三个方面：（1）我们通过散点图可视化韩国和美国股票市场之间的传递信息;（2）我们在多模态深度学习的帮助下将信息纳入股票预测模型;（3）我们最终证明，与后期融合和单一模态模型相比，早期和中期融合模型实现了显着的性能提升。我们的研究表明，联合考虑国际股票市场可以提高预测精度，深度神经网络对此类任务非常有效。

2019-09-19cs.LGq-fin.CP

基于 Transformer 的股票时间序列预测

Transformer Based Time-Series Forecasting for Stock

UT Austin（德克萨斯大学奥斯汀分校）

本文针对股票价格预测难题，提出将其建模为多变量时间序列预测，并利用自研 Transformer 变体 Stockformer 的注意力机制完成分析。

2026-10-06cs.LGq-fin.CP

对股价进行标记化处理以增强多步预测与预测

Tokenizing Stock Prices for Enhanced Multi-Step Forecast and Prediction

针对股价预测与预测的挑战，提出补丁通道集成编码器（PCIE），利用多通道标记化方法减少累积误差，在预测和预测任务上超越现有最先进模型。

2025-04-24cs.CEq-fin.CP

更多相关论文收起更多论文

股票收益预测的超参数优化

Hyperparameter Optimization for Forecasting Stock Returns

近年来，超参数优化（hyperparameter optimization，HPO）已成为机器学习领域中越来越重要的问题，以开发更精确的预测模型。在这项研究中，我们探索了HPO在使用深度神经网络（DNN）建模股票收益方面的潜力。这种方法的潜力进行了评估，使用技术指标和基本检查的基础上的效果，辍学和批量正常化的所有输入数据。我们发现，使用技术指标和辍学正则化的模型显著优于其他三个模型，显示出0.53%的样本内和1.11%的样本外的正预测性，从而表明有可能击败历史平均水平。我们还证明了模型的稳定性，其特征重要性随时间的变化。

2020-01-28q-fin.CP

组合机器学习模型和改进交易策略优化股票期权预测

Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies

University of Washington（华盛顿大学）；University of Calgary（卡尔加里大学）

本文介绍了应用机器学习模型、改进的交易策略和拟可逆性方法优化股票期权预测和交易结果的关键方面。介绍了“拟可逆卷积神经网络在期权预测中的应用”研究的后续项目的研究成果。首先，该项目包括递归神经网络（RNN）和长短期记忆（LSTM）网络的应用，以提供一种预测股票期权趋势的新方法。此外，它还通过评估将多个ML模型组合在一起以改善预测结果和决策的实验方法来检查ML模型的依赖性。最后，给出了两种改进的交易策略和模拟投资结果。应用离散时间随机过程分析的二项资产定价模型和投资组合套期保值，提出了最优的投资预期。这些结果可以用于现实生活中的交易策略，以优化基于历史数据的股票期权投资结果。

2022-11-29cs.LGq-fin.CP

多元已实现波动率的图神经网络预测

Multivariate Realized Volatility Forecasting with Graph Neural Network

Ecole Polytechnique（巴黎综合理工学院）；Exoduspoint Capital Management France（法国Exoduspoint资本管理公司）；ENSAE Paris（巴黎国立统计与经济管理学院）

现有文献表明，限价订单簿数据在预测股票市场的短期波动性方面是有用的。由于股票不是独立的，一只股票的变化也会影响其他相关股票。本文基于限价订单簿数据和相关数据，对短期已实现波动率进行了多元预测。为了实现这一目标，我们引入了图Transformer网络的波动率预测。该模型允许结合限价订单簿功能和无限数量的时间和横截面的关系，从不同的来源。通过对标准普尔500指数中约500只股票的实验，我们发现我们的模型比其他基准有更好的表现。

2021-12-17cs.CEcs.LGq-fin.CP

利用机器学习和日内共性进行波动率预测

Volatility forecasting with machine learning and intraday commonality

我们应用机器学习模型来预测日内已实现波动率（RV），通过将股票数据汇集在一起来利用日内波动的共性，并通过引入市场波动的代理。神经网络在性能方面主导线性回归和基于树的模型，因为它们能够发现和建模变量之间复杂的潜在相互作用。当我们将训练模型应用于尚未包含在训练集中的新股时，我们的研究结果仍然稳健，从而为股票之间的普遍波动机制提供了新的经验证据。最后，我们提出了一种新的方法来预测前一天的RV使用过去的日内RV作为预测因子，并强调有趣的时间的一天的影响，帮助预测机制。结果表明，所提出的方法产生优越的样本外预测一组强大的传统基线，只依赖于过去的每日RV。

2023-02-24q-fin.CPq-fin.RMq-fin.ST

量子增强预测：利用 Quantum Gramian Angular Field 和 CNN 进行股票收益预测

Quantum-Enhanced Forecasting: Leveraging Quantum Gramian Angular Field and CNNs for Stock Return Predictions

Industrial and Commercial Bank of China（中国工商银行）；The University of Sydney（悉尼大学）；Hebei Finance University（河北金融学院）

提出 QGAF 方法，通过量子电路将股票收益序列编码为二维图像并输入 CNN，免去归一化与反余弦计算，在三大市场显著降低预测误差。

2023-12-11cs.LGq-fin.CP

基于卷积神经网络的多变量时间序列股价预测

Stock Price Prediction Using Convolutional Neural Networks on a Multivariate Timeseries

股票价格未来走势的预测一直是许多研究工作的主题。在这项工作中，我们提出了一种使用机器学习和基于深度学习的方法进行股票价格预测的混合方法。我们选择了印度国家证券交易所的NIFTY 50指数值，从2015年1月到2019年12月，为期四年。基于上述期间的NIFTY数据，我们使用机器学习方法建立各种预测模型，然后使用这些模型预测2019年NIFTY 50的收盘价，预测范围为一周。对于预测NIFTY指数的运动模式，我们使用了多种分类方法，而对于预测NIFTY指数的实际收盘值，我们建立了各种回归模型。然后，我们通过使用卷积神经网络构建一个基于深度学习的回归模型，并进行向前走验证，来增强模型的预测能力。对CNN模型的参数进行微调，使得验证损失随着迭代次数的增加而稳定，并且训练和验证精度收敛。我们利用CNN在预测未来NIFTY指数值方面的能力，使用三种方法，这些方法在预测中使用的变量数量，整体模型中使用的子模型数量以及用于训练模型的输入数据大小方面有所不同。对所有分类和回归模型的各种指标提出了广泛的结果。结果清楚地表明，基于CNN的多变量预测模型是最有效和准确的预测与每周预测范围内的NIFTY指数值的运动。

2020-01-10cs.LGq-fin.CPq-fin.ST

Hidformer：股票价格预测中的Transformer风格神经网络

Hidformer: Transformer-Style Neural Network in Stock Price Forecasting

Warsaw University of Technology（华沙理工大学）

本文研究Hidformer模型在股票价格预测中的表现，结合技术分析与机器学习方法评估Transformer架构在金融时间序列预测中的有效性及其对算法交易策略的改进潜力。

2024-12-27cs.AIcs.CEcs.LG

利用新闻流微调大型语言模型以预测股票收益

Fine-Tuning Large Language Models for Stock Return Prediction Using Newsflow

Systematic Equities Team（系统股票团队）；RAM Active Investments（RAM主动投资公司）

本文研究利用金融新闻流微调 encoder-only 与 decoder-only LLM 预测股票收益，比较 token 表示聚合方式，证明其组合构建信号优于传统情绪评分，且 Mistral 更稳健。

2024-08-05cs.LGq-fin.CPq-fin.PM

从选票到波动：预测选举日的股票市场

From Votes to Volatility Predicting the Stock Market on Election Day

The University of Tokyo（东京大学）

针对选举日市场波动加剧的挑战，提出EDSMF模型，结合大语言模型与专业智能体分析选举政治经济影响，提升标普500指数当日预测性能。

2024-12-15cs.AIq-fin.CP

使用LSTM回归模型分析印度股票市场的部门盈利能力

Analysis of Sectoral Profitability of the Indian Stock Market Using an LSTM Regression Model

Praxis Business School（普拉西斯商学院）

设计预测模型来准确预测未来股票价格一直被认为是一个有趣且具有挑战性的研究问题。由于现实世界中股票价格的波动性和随机性，该任务变得复杂，受到许多可控和不可控变量的影响。本文提出了一种基于长短期记忆（LSTM）架构的优化预测模型，用于自动提取指定时间间隔内的过去股票价格，并预测其未来价格，并预测未来股票价格。该模型被部署为使购买和出售交易的基础上，其预测结果的70个重要的股票从七个不同的行业在印度国家证券交易所（NSE）上市。每个行业的盈利能力是根据该行业股票在2010年1月1日至2021年8月26日期间产生的总利润得出的。这些行业是根据其盈利能力值进行比较的。模型的预测精度也为每个部门进行了评估。结果表明，该模型在预测未来股票价格方面具有较高的准确性。

2021-11-09cs.LGq-fin.CP