Leveraging Vision-Language Models for Granular Market Change Prediction
Johannes Kepler University Linz(林茨约翰·开普勒大学);Linz Institute of Technology, AI Lab(林茨理工学院人工智能实验室)
利用历史数据预测股票市场的未来走向一直是金融预测的一个基本组成部分。这些历史数据包含股票在每个特定时间段的信息,例如开盘价,收盘价,最低价和最高价。利用这些数据,市场的未来方向通常使用各种时间序列模型来预测,例如长短期记忆网络。这项工作提出了一种全新的方法来建模和预测市场走势,即利用最近引入的视觉语言模型处理的股票数据的图像和基于字节的数字表示。我们进行了大量的实验,每小时的股票数据的德国股票指数和评估各种架构的股票价格预测使用历史股票数据。我们使用各种指标对结果进行全面评估,以准确描述各种方法的实际性能。我们的评估结果表明,我们基于将股票数据表示为文本(字节)和图像的新方法显著优于基于深度学习的基线。
2023-01-17 cs.CL cs.LG q-fin.ST
Stylized facts of the Indian Stock Market
本文通过分析NIFTY指数50只成分股11年日度数据,发现印度市场在杠杆、非对称性和自相关性上异于其他市场,杠杆与非对称反转使市场更具投资价值,显著自相关虽表明市场无效但利于投资者预测。
2019-03-13 q-fin.ST
Enhancing Stock Market Prediction with Extended Coupled Hidden Markov Model over Multi-Sourced Data
Beijing University of Posts and Telecommunications(北京邮电大学);The Hong Kong Polytechnic University(香港理工大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Tsinghua University(清华大学)
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。
2018-09-02 cs.LG q-fin.ST stat.ML
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
Stability and Hierarchy of Quasi-Stationary States: Financial Markets as an Example
我们结合几何数据分析和随机建模来描述复杂系统的集体动力学。作为一个例子,我们将这种方法应用到金融数据,并专注于市场相关结构的非平稳性。我们确定的主导变量,并提取其显式随机模型。这使我们能够在其时间演变与市场上已知的历史事件之间建立联系。我们讨论了最近提出的准平稳市场状态的动力学,稳定性和层次。
2015-03-02 cond-mat.stat-mech physics.data-an q-fin.ST
Dynamics of market indices, Markov chains, and random walking problem
美国主要市场指数DJIA,S&P,纳斯达克和纽约证券交易所的动态分析的角度来看,随机行走问题的两步相关的市场走势。表征随机动态的参数根据每日、每周和每月系列的历史报价经验确定。结果表明,存在统计上显着的相关性,随后的市场走势。周参数和月参数是根据日参数计算的,假设具有两步相关性的马尔可夫链给出了市场随机动力学的完整描述。我们表明,宏观和微观参数服从雷诺群方程。通过将回归方程中的参数与历史值进行比较,发现马尔可夫链方法对周行情的预测是合理的,但低估了月行情继续下跌的可能性。计算了“买入并持有”和“跟随趋势”策略的收益率及其离散度。讨论了如何将这两种策略结合起来以减小色散的问题,并给出了解析解。报告了将系列分析与蜡烛图技术相结合的“基于计算机的”策略的构建结果。
2001-12-16 physics.data-an physics.soc-ph q-fin.ST
Distribution of the asset price movement and market potential
在这篇文章中,我们讨论了市场势函数的资产价格变动的分布。从自由能最小化原理出发,分析了两种不同的市场势。当市场反转(即反向投资者)占主导地位时,我们获得了U形势。另一方面,如果有更多的趋势追随者,平坦和对数-样的潜力出现。通过使用周期性调整市盈率,这是一个常见的估值工具,我们实证研究的市场数据。通过研究长期数据,我们观察了美国股票市场市场潜力的历史变化。最近的美国数据显示,市场潜力看起来更像趋势追随者的潜力。接下来,我们比较了12个不同国家的市场潜力。虽然一些国家有类似的市场潜力,但也有一些具体的例子,如日本,其潜力非常平坦。
2014-03-13 q-fin.GN q-fin.ST
Volatility in Financial Markets: Stochastic Models and Empirical Results
我们调查了美国股市交易的100只最具资本化的股票的历史波动性。波动率的经验概率密度函数(PDF)的对数正态模型和赫尔和怀特模型的理论预测得到比较。对数正态模型很好地描述了在该地区的低波动率值的PDF,而赫尔和怀特模型更好地近似的波动率的大值的经验PDF。这两个模型都无法描述在一个适度大的波动范围内的经验pdf。
2002-02-28 cond-mat.stat-mech q-fin.ST
Boltzmann Distribution and Temperature of Stock Markets
标准普尔500指数和纳斯达克100指数的微小波动显示了玻尔兹曼统计在很大范围内的正收益和负收益,从而使我们能够为任何一个符号定义{ \em市场温度}。随着时间的增加,尖锐的玻尔兹曼峰加宽成高斯峰,其在$1/ \sqrt{\rm min}$中测量的挥发度$ σ$通过$T= σ/ \sqrt{2}$与温度$T$相关。1990- 2006年的曲线图显示,2000年崩盘之前市场温度上升,这表明这种上升可以作为崩盘的预警信号。道琼斯指数78年来的温度曲线图显示,在历史上的许多动荡中,道琼斯指数保持着惊人的稳定性,只有在崩盘附近出现短暂的高温爆发。
2007-04-22 physics.soc-ph q-fin.ST
Multi Scale Analysis of Nifty 50 Return Characteristics Valuation Dynamics and Market Complexity 1990 to 2024
基于1990–2024年Nifty 50数据,结合P/E条件分布与复杂性科学指标,揭示印度股市多尺度收益、估值预测效应及非线性市场结构。
2025-08-31 q-fin.ST
Evidence of Increment of Efficiency of the Mexican Stock Market Through the Analysis of its Variations
众所周知,发达国家和新兴国家的股票市场之间存在统计和结构差异。在这项工作中,我们提出了墨西哥股市指数(IPC)的变化和自相关性的分析,其历史每日数据的不同时期,证据表明,墨西哥股市一直在提高其效率,在最近的时间。我们分析了收益率的自相关函数(ACF),并使用了去趋势波动分析(DFA)方法。我们还分析了IPC和道琼斯工业平均指数(DJIA)的波动性,并比较了它们的演变。此处分析的数据样本对应于1978年10月30日至2006年2月28日期间IPC和DJIA的每日值。
2006-07-21 physics.soc-ph q-fin.ST
Intra-day variability of the stock market activity versus stationarity of the financial time series
我们描述的自相关函数估计的日内活动模式的影响。本文得到了非平稳过程自相关函数与平稳过程自相关函数估计量之间的一个精确关系式。因此,我们证明了交易间时间的日季节性扩展了过程本身的记忆,以及它的绝对值。也就是说,这两个过程弛豫到零的时间更长。
2014-08-26 physics.data-an q-fin.ST q-fin.TR
Estimating correlation and covariance matrices by weighting of market similarity
我们讨论了历史金融数据的相关和协方差矩阵的加权估计。为此,我们引入了一个加权方案,占以前的市场条件的相似性,目前的。由此产生的估计是更少的偏见,并显示较低的方差比未加权或指数加权估计。加权方案是基于一个相似性度量,比较当前的相关性结构的市场在过去的时间结构。相似性,然后测量的探针相关矩阵估计为两个不同的时间的差异的矩阵2-范数。该方法在模拟研究中得到了验证,并在均值-方差投资组合优化的背景下进行了实证检验。在后一种情况下,我们发现一个增强的已实现的投资组合回报,以及减少投资组合的波动性相比,基于不同的策略和估计的替代方法。
2010-06-30 q-fin.PM q-fin.ST
Using Machine Learning and Alternative Data to Predict Movements in Market Risk
近年来,利用机器学习和替代数据预测金融市场一直是一个热门话题。许多金融变量如股票价格、历史波动率、交易量等已经被广泛研究。值得注意的是,我们发现没有现有的研究预测资产的市场隐含波动率在这方面。这一前瞻性指标衡量了人们对资产未来波动性的看法,被认为是衍生品领域最重要的参数之一。因此,预测该统计数据的能力可以为做市和资产管理的从业者提供竞争优势。因此,在本文中,我们调查谷歌新闻统计数据和维基百科网站流量作为替代数据源的定量市场数据,并考虑逻辑回归,支持向量机和AdaBoost作为机器学习模型。我们表明,市场隐含波动率的变动确实可以通过机器学习技术的帮助来预测。虽然所采用的替代数据似乎没有提高预测的准确性,我们揭示了初步证据的非线性关系的功能从维基百科页面流量和市场隐含波动率的变动。
2020-09-16 q-fin.CP q-fin.ST
Self-organization of price fluctuation distribution in evolving markets
金融市场可以看作是处于非平衡稳态的复杂系统,其最重要的性质之一是价格波动的分布。最近,有人断言,与发达市场相比,新兴市场的这种分布有质的不同。在这里,我们分析了高频逐点以及每日收盘价数据,以表明印度股市(最大的新兴市场之一)的价格波动与发达市场的分布相同(例如,纽约证券交易所)。特别地,累积分布具有由指数为$α\approx 3$的幂律描述的长尾。此外,我们研究了印度国家证券交易所(NSE)的存在期间,这正好与印度经济的快速转型,由于自由化,这种分布的历史演变,并表明,这种幂律尾几乎一直存在。我们的结论是,“逆立方定律”是金融市场真正的普遍特征,与其发展阶段或基础经济条件无关。
2007-05-11 cond-mat.other physics.soc-ph q-fin.ST
Dual-CLVSA: a Novel Deep Learning Approach to Predict Financial Markets with Sentiment Measurements
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);Soochow University(苏州大学)
预测金融市场是一项具有挑战性的任务。这一任务的复杂性主要在于金融市场与市场参与者之间的互动,市场参与者不能始终保持理性,往往受到恐惧、狂喜等情绪的影响。基于最先进的方法,特别是金融市场预测,基于混合卷积LSTM的变分序列到序列模型与注意力(CLVSA),我们提出了一种新的深度学习方法,称为双CLVSA,预测金融市场运动与交易数据和相应的社会情绪测量,每个通过一个单独的序列到序列通道。我们通过对SPDR SP 500 Trust ETF八年来的历史交易数据进行回测来评估我们的方法的性能。实验结果表明,双CLVSA可以有效地融合这两种类型的数据,并验证情绪测量不仅是金融市场预测的信息,但他们也包含额外的有益功能,以提高我们的预测系统的性能。
2022-01-27 cs.LG q-fin.CP q-fin.ST