Deep Learning for Forecasting Stock Returns in the Cross-Section
Nomura Asset Management Co., Ltd.（野村资产管理有限公司）；The University of Tokyo（东京大学）
许多研究已经通过使用机器学习技术（包括神经网络）来预测股票收益。最近，一种被称为深度学习的方法在机器学习领域引起了关注，该方法主要在图像识别和语音识别中实现高性能。本文利用深度学习方法预测日本股票市场未来一个月的股票收益率，并研究了该方法的性能。我们的研究结果表明，深度神经网络通常优于浅层神经网络，最好的网络也优于代表性的机器学习模型。这些结果表明，深度学习作为一种熟练的机器学习方法，有望在横截面中预测股票收益。
2018-06-13 cs.LG q-fin.ST
StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices
Department of Mechanical Engineering, Stanford University, CA 94305-4040, USA（机械工程系，斯坦福大学）
StockBot 2.0通过vanilla LSTM在股票价格预测中优于基于变换器的模型，展示了递归序列模型在金融时间序列预测中的鲁棒性和数据效率。
2026-01-01 cs.CE cs.CL cs.LG
A Study on Stock Forecasting Using Deep Learning and Statistical Models
Tula’s Institute（图拉学院）；Graphic Era (Deemed to be University)（Graphic Era（准大学））
本研究基于S&P 500指数数据，对比了ARIMA等统计模型与LSTM、CNN等深度学习模型在股票价格预测中的准确率，通过MAE等误差指标评估，发现低MAE值的模型预测更准确，有助于投资者最大化投资回报。
2024-02-08 cs.LG q-fin.ST
Effects of Daily News Sentiment on Stock Price Forecasting
Tiger Analytics（泰格分析公司）；Genpact（简柏特公司）；PWC（普华永道）；Techno India University（印度理工大学）；Praxis Business School（普拉克西斯商学院）
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。
2023-08-02 cs.LG q-fin.ST
Forecasting Nigerian Equity Stock Returns Using Long Short-Term Memory Technique
University of Ibadan（伊巴丹大学）
本文利用尼日利亚证券交易所历史数据训练LSTM模型预测股票收益，实验显示准确率超过90%，并建议未来结合CNN等构建混合模型以降低单一模型风险。
2025-05-27 cs.LG q-fin.ST
Regression and Forecasting of U.S. Stock Returns Based on LSTM
本文基于Fama-French三因子、Carhart四因子及五因子模型分析美国股市三个板块的投资回报，并利用LSTM模型探索额外影响因素，实证表明五因子模型有效性最佳且LSTM能更好地回归与预测相关行业股票收益。
2025-05-28 cs.LG q-fin.ST
CRISIS ALERT:Forecasting Stock Market Crisis Events Using Machine Learning Methods
本文利用随机森林和极端梯度提升等机器学习方法，基于75个日频市场变量预测美国股市危机事件，并通过分类指标比较发现极端梯度提升表现最佳。
2024-01-06 cs.LG q-fin.ST
Game-Theoretic Modeling of Heterogeneous Investor Interactions for Stock Price Forecasting
School of Computer Science, Beijing Institute of Technology（北京理工大学计算机科学学院）；Faculty of Engineering, Shenzhen MSU-BIT University（深圳MSU-BIT大学工程学院）
提出一种嵌入博弈论机制的异构图建模方法，通过模拟投资者动态策略交互来提升股票价格预测准确性。
2026-05-11 cs.GT cs.LG q-fin.TR
Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder
Faculty of Mathematics, University of Cambridge（剑桥大学数学学院）；School of Mathematical Sciences, Queen Mary University of London（伦敦大学玛丽皇后学院数学科学学院）
本文提出使用条件变分编码器（CVAE）结合再平衡日期等先验信息进行股票成交量预测，生成非线性样本外预测，在准确性和相关性拟合上优于传统线性模型，并可用于场景生成。
2024-06-19 cs.LG q-fin.PR q-fin.ST
Stock Forecasting using M-Band Wavelet-Based SVR and RNN-LSTMs Models
Western Connecticut State University（西康涅狄格州立大学）
预测未来股票价值的任务一直是人们非常渴望的，尽管非常困难。这个困难来自股票的非平稳行为，没有任何明确的形式。因此，最好通过分析金融股票数据来进行预测。为了处理大数据集，目前的惯例涉及使用移动平均线。然而，利用小波变换代替移动平均去噪股票信号，金融数据可以平滑和更准确地分解。这种新转换，去噪和更稳定的股票数据可以通过非参数统计方法进行跟踪，例如支持向量回归（SVR）和基于循环神经网络（RNN）的长短期记忆（LSTM）网络来预测未来股票价格。通过这些方法的实施，人们得到了更准确的股票预测，进而增加了利润。
2019-04-17 cs.LG q-fin.CP stat.ML
Multi-task Learning for Financial Forecasting
金融预测是机器学习中具有挑战性和吸引力的研究课题。有许多经典的解决方案，以及许多基于深度学习的方法，提出来处理它，产生令人鼓舞的性能。股票时间序列预测是金融预测中最具代表性的问题。由于股票之间的联系很强，对预测有价值的信息不仅包含在单个股票中，而且包含在与之相关的股票中。然而，以往的研究大多集中在单一的股票上，容易忽略其他股票中有价值的信息。为了利用更多的信息，在本文中，我们提出了一种联合预测方法，同时处理多个时间序列的相关股票，使用多任务学习框架。与以往的工作相比，我们使用多个网络来预测多个相关的股票，通过多任务学习，同时使用它们的共享和私有信息。此外，我们提出了一个注意力方法学习的基础上资本资产定价模型（CAPM）的思想，以帮助预测的共享和私人信息的优化加权组合。各种数据的实验结果表明，改进的预测性能基线方法。
2019-01-22 cs.AI cs.LG stat.ML
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。
2025-02-07 cs.LG q-fin.CP
HiSA-SMFM: Historical and Sentiment Analysis based Stock Market Forecasting Model
Cloud Computing Research Center（云计算研究中心）；National Sun Yat-sen University（国立中山大学）；National Institute of Technology（国家理工学院）
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。
2022-03-10 cs.AI cs.LG q-fin.ST
StockMem: An Event-Reflection Memory Framework for Stock Forecasting
Shanghai University of Finance and Economics（上海金融学院）
StockMem通过事件反射双层内存框架，有效整合事件信息与价格动态，提升股票预测的可解释性和透明度。
2025-12-02 cs.AI cs.LG
Transformers with Attentive Federated Aggregation for Time Series Stock Forecasting
Kyung Hee University（庆熙大学）
针对Transformer用于时间序列股票预测时传统训练存在的过拟合、数据稀缺与隐私问题，提出带注意力的联邦Transformer方案，在Yahoo! Finance股票数据上验证了其应对相关挑战及数据异质性的有效性，同时可保护参与企业隐私。
2024-01-22 cs.AI cs.CE cs.DC
ADD: Augmented Disentanglement Distillation Framework for Improving Stock Trend Forecasting
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）
股票趋势预测已成为金融领域广泛关注的热门研究方向。虽然深度学习方法已经取得了令人鼓舞的成果，但仍然存在许多限制，例如，如何从原始股票数据中提取干净的特征。在本文中，我们介绍了一个\emph{Augmented Disentanglement Distillation (ADD)}的方法，以消除干扰功能，从噪声的原始数据。具体而言，我们提出了1）一个解纠缠结构，以分离过剩和市场信息从股票数据，以避免这两个因素干扰对方自己的预测。此外，通过在解纠缠框架上应用2）动态自蒸馏方法，还可以去除其他隐含的干扰因素。此外，由于我们的框架中的解码器模块，3）提出了一种新的策略，以增加训练样本的基础上，不同的过剩和市场的功能，以提高性能。我们对中国股票市场的数据进行了实验。结果表明，该方法显著提高了股票趋势预测性能，并通过回测提高了实际投资收益，有力地证明了该方法的有效性。
2020-12-11 cs.AI cs.LG
How do the naive Bayes classifier and the Support Vector Machine compare in their ability to forecast the Stock Exchange of Thailand?
Bangkok Patana School（曼谷帕塔纳学校）
本文研究了朴素贝叶斯分类器和支持向量机在预测泰国证券交易所的能力方面的比较问题。探讨了支持向量机和朴素贝叶斯分类器背后的理论。这些算法使用2010年1月的数据进行训练，这些数据摘自MarketWatch.com网站。输入要素是根据先前对SET100指数的研究选择的。Weka 3软件用于从标记的训练数据创建模型。均方误差和正确分类的实例的比例，以及一些其他的误差测量是用来比较这两种算法。这篇文章表明，这两个算法目前还不够先进，准确地模拟股票交易所。尽管如此，朴素贝叶斯是优于支持向量机在预测泰国证券交易所。
2015-11-29 cs.LG
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。
2019-09-19 cs.LG q-fin.CP
A Review of Large Language Models for Stock Price Forecasting from a Hedge-Fund Perspective
Hockaday School（霍卡迪学校）；Lumos Alpha（卢姆斯阿尔法）
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。
2026-04-10 cs.AI cs.LG q-fin.PR
Accurate Stock Price Forecasting Using Robust and Optimized Deep Learning Models
Praxis Business School（普拉克斯商学院）
设计鲁棒的框架来精确预测股票的未来价格一直被认为是一个非常具有挑战性的研究问题。经典有效市场假说的支持者认为，由于股票价格变量的随机性，在一个有效运行的市场中，不可能准确地预测未来的价格。然而，在文献中存在着许多具有不同程度的复杂性和复杂性的命题，这些命题说明了如何设计算法和模型来对股票价格进行有效、准确和稳健的预测。我们提出了十个深度学习回归模型，用于精确和稳健地预测印度汽车行业一家关键公司股票的未来价格。使用以5分钟间隔收集的非常细粒度的股票价格，我们基于2012年12月31日至2013年12月27日的记录训练模型。使用2013年12月30日至2015年1月9日的记录对模型进行测试。我们解释了模型的设计原理，并根据预测的准确性和执行速度分析了其性能的结果。
2021-03-28 cs.LG q-fin.MF q-fin.ST
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。
2026-10-06 cs.LG q-fin.CP
Short-Term Stock Price Forecasting using exogenous variables and Machine Learning Algorithms
Langara College（兰加拉学院）；Université Paris-Est Créteil（巴黎东克雷泰伊大学）；Okanagan College（奥肯那根学院）；University of the Fraser Valley（菲莎河谷大学）
本研究比较XGBoost、随机森林、多层感知器和支持向量回归四种机器学习模型，在2020年3月至2022年5月期间预测NYSE三只股票的短期价格，发现XGBoost准确率最高，尽管运行时间较长。
2023-05-17 cs.CE cs.LG q-fin.TR
Forecasting directional movements of stock prices for intraday trading using LSTM and random forests
BITS Pilani（比尔拉科学技术学院）；Nanyang Technological University（南洋理工大学）
我们采用随机森林和LSTM网络（更准确地说是CuDNNLSTM）作为训练方法，分析它们在预测1993年1月至2018年12月期间标准普尔500指数成分股的样本外方向性走势方面的有效性。我们引入了一个多功能的设置，不仅包括收盘价的回报，但也相对于开盘价和日内回报。作为交易策略，我们使用Krauss et al.（2017）和Fischer & Krauss（2018）作为基准。在每个交易日，我们买入概率最高的10只股票，卖空概率最低的10只股票，以获得超过市场的日内回报--所有股票的货币权重都是相同的。我们的实证结果表明，在交易成本之前，多特征设置使用LSTM网络提供了0.64%的每日回报，使用随机森林提供了0.54%的每日回报。因此，我们的表现优于Fischer & Krauss（2018）和Krauss et al.（2017）中的单一特征设置，仅包括收盘价的每日回报，LSTM和随机森林的相应每日回报分别为0.41%和0.39%。
2021-06-30 cs.LG q-fin.ST stat.ML
1D-CapsNet-LSTM: A Deep Learning-Based Model for Multi-Step Stock Index Forecasting
Universiti Teknologi Malaysia（马来西亚理工大学）
本研究提出了一种混合1D-CapsNet-LSTM模型，通过1D CapsNet生成高级胶囊并利用LSTM捕获时间依赖性，结合MIMO策略进行多步股指预测，在多个真实股市指数上显著降低预测误差并展现出更强的鲁棒性。
2023-11-02 cs.LG cs.NE
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。
2022-11-29 cs.LG q-fin.CP
Forecasting Stock Market with Support Vector Regression and Butterfly Optimization Algorithm
Sharif University of Technology（谢里夫理工大学）；Khatam University（哈塔姆大学）；RiskLab Toronto（多伦多风险实验室）
支持向量回归机（SVR）在预测随机系统的未来行为方面取得了很好的效果。然而，SVR模型的性能在很大程度上取决于SVR参数的适当选择。提出了一种基于蝴蝶优化算法的BOA-SVR模型。所提出的模型的性能进行了比较，与其他11个元启发式算法的一些股票从纳斯达克。结果表明，本文提出的模型能够很好地优化支持向量回归机的参数，从预测精度和时间消耗两方面来看，确实是最好的模型之一。
2019-05-27 cs.LG cs.NE stat.ML
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。
2024-12-27 cs.AI cs.CE cs.LG
Dynamic Forecasting and Temporal Feature Evolution of Stock Repurchases in Listed Companies Using Attention-Based Deep Temporal Networks
本文提出结合经济理论的动态预警系统，利用TCN和注意力LSTM捕捉财务演变模式，通过滚动窗口验证模型优于传统方法，揭示回购决策的长期和短期驱动因素。
2026-03-29 cs.AI cs.LG q-fin.ST
TM-vector: A Novel Forecasting Approach for Market stock movement with a Rich Representation of Twitter and Market data
Zanjan University（赞詹大学）；Humboldt University of Berlin（柏林洪堡大学）；Sharif University of Technology（谢里夫理工大学）
本文提出TM-vector方法，融合Twitter用户特征与市场数据训练IndRNN，建模用户间及用户对市场的影响，在道琼斯30指数上实现高准确率的股市方向预测。
2023-03-13 cs.AI cs.LG cs.NA
HAELT: A Hybrid Attentive Ensemble Learning Transformer Framework for High-Frequency Stock Price Forecasting
针对高频股价预测的非平稳、噪声与波动难题，提出融合ResNet降噪、时间自注意力与LSTM-Transformer混合核心的自适应集成框架HAELT，在AAPL小时级数据上取得最高F1分数，可有效识别涨跌走势。
2025-06-09 cs.AI cs.LG
Hermes: A Multi-Scale Spatial-Temporal Hypergraph Network for Stock Time Series Forecasting
East China Normal University（东华师范大学）；CFETS Information Technology (Shanghai) Co., Ltd（CFETS信息技术（上海）有限公司）；Aalborg University（奥胡斯大学）
Hermes通过多尺度融合和动态时间聚合模块，有效捕捉行业间滞后关系和多尺度信息，提升股票时间序列预测精度。
2026-05-09 cs.LG
Forecasting significant stock price changes using neural networks
Canadian University Dubai（加拿大迪拜大学）
股票价格预测是一个内容丰富的研究课题，引起了各个科学领域的兴趣。最近机器学习在语音和图像识别方面的成功促使研究人员将这些方法应用于资产价格预测。大多数文献都致力于预测实际资产价格或价格走势。在本文中，我们研究了一个迄今为止很少探索的问题，预测股票价格的重大变化的基础上，以前的变化，使用机器学习算法。我们特别感兴趣的是在给定的上下文中的神经网络分类器的性能。为此，我们构建并测试了三个神经网络模型，包括多层感知器，卷积网络和长短期记忆网络。作为基准模型，我们使用随机森林和相对强度指数方法。使用美国四家主要上市公司的10年每日股价数据对模型进行了测试。测试结果表明，预测股票价格的显着变化，可以实现具有较高的准确度。特别是，我们获得了比预测价格变化方向的类似研究更好的结果。
2019-11-21 cs.LG q-fin.TR stat.ML
A two-stage architecture for stock price forecasting by combining SOM and fuzzy-SVM
Hue University（顺化大学）
提出了一种基于自组织映射（SOM）和模糊支持向量机（f-SVM）相结合的股票价格预测模型。基于统计机器学习模型的模糊规则提取是该方法的基础。在该模型中，SOM被用来作为一个聚类算法，整个输入空间划分成几个不相交的区域。对于每个分区，一组模糊规则提取的基础上的f-SVM组合模型。然后，模糊规则集被用来预测的测试数据使用模糊推理算法。所提出的方法的性能进行了比较，与其他模型使用四个数据集
2014-08-22 cs.AI cs.LG
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。
2025-02-21 cs.LG q-fin.ST
Deep Multiple Instance Learning For Forecasting Stock Trends Using Financial News
The University of Hong Kong（香港大学）
一个主要的信息来源可以从金融新闻文章，其中有一些关于股票趋势波动的相关性。本文从多实例的角度研究了财经新闻对股票走势的影响。这背后的直觉是基于新闻发生的时间间隔不同的新闻不确定性，以及每一条金融新闻都缺乏注释。在多实例学习（Multiple Instance Learning，MIL）的场景下，训练实例被安排在数据包中，标签被分配给整个数据包，而不是实例，我们开发了一个灵活的和自适应的多实例学习模型，并评估其在金融新闻数据集上对标准普尔500指数方向性运动预测的能力。具体来说，我们将每个交易日视为一个袋子，每个交易日发生的一定数量的新闻作为每个袋子中的实例。实验结果表明，我们提出的基于多实例的框架获得了优异的结果，在趋势预测的准确性，与其他国家的最先进的方法和基线。
2022-06-29 cs.LG q-fin.CP
A Hierarchical conv-LSTM and LLM Integrated Model for Holistic Stock Forecasting
Birla Institute of Technology, Mesra（比拉理工学院梅萨分校）；York University（约克大学）
本文提出一种结合两级 Conv-LSTM 与 LLM 的集成模型，利用 Conv-LSTM 分析历史价格和技术指标的时间序列特征，并结合 LLM 处理金融新闻等文本的情感与上下文，以提供更准确且具丰富上下文的整体股票预测与建议。
2024-09-30 cs.AI cs.LG q-fin.ST
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。
2023-12-11 cs.LG q-fin.CP
Forecast Accuracy Is Not Trading Profit: Evolving Small Recurrent Networks for Stock Return Prediction
Union County Magnet High School（联合县磁石高中）；Kean University（基恩大学）
本研究比较多种预测模型，发现神经进化搜索的小型循环网络在预测准确率和交易净收益上均最优，且计算成本极低，表明预测误差与交易利润并非直接对应。
2026-10-07 cs.CE cs.LG cs.NE
Stock Market Forecasting Based on Text Mining Technology: A Support Vector Machine Method
Information Systems School, Queensland University of Technology（昆士兰科技大学信息系统学院）；School of Information, Renmin University of China（中国人民大学信息学院）
新闻对股票市场有着重要的影响，但影响的方式却不明确。许多以前的作品旨在找到准确的股票市场预测模型。本文将文本挖掘和情感分析相结合，对中文网络财经新闻进行分析，并基于支持向量机（SVM）对中国股市走势和股价进行预测。首先，我们收集了2，302，692条新闻，日期从1/1/2008到1/1/2015。其次，基于该数据集，形成特定领域的停用词词典和精确的情感词典。第三，我们提出了一种基于支持向量机的预测模型。在支持向量机的实现算法上，我们还提出了双参数优化算法来寻找最佳的初始参数设置。结果表明，参数G对混凝土的抗弯强度有主要影响，而参数C的影响不明显。此外，支持向量回归（SVR）模型对不同的中国股票是相似的，而在支持向量分类（SVC）模型的最佳参数是相当不同的。一系列对比实验表明：（1）新闻对股市有显著的影响;（2）当当天没有新闻数据时，支持向量回归机对额外情况的扩展输入向量优于正常输入向量，而支持向量回归机对正常情况的扩展输入向量则较差;（3）支持向量回归机对股市波动的预测拟合度很好，但拟合结果存在一定的时滞;（4）新闻对股市的影响时滞小于2天; e）在SVC中，历史股票数据具有最有效的时间滞后，约为10天，而在SVR中，这种影响不明显。此外，基于输入向量的特殊结构，本文还设计了一种计算资金来源影响因子的方法。结果表明，新闻质量和受众数量对信源影响因子都有显著影响。此外，对于中国投资者…
2019-09-27 cs.LG cs.SI stat.ML
Hierarchical Information-Guided Spatio-Temporal Mamba for Stock Time Series Forecasting
School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）；Institute for Artificial Intelligence（人工智能研究院）；National Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室）
针对股票预测中市场整体动态与个股关联难以兼顾的问题，提出 HIGSTM 框架，通过指数引导频率分解、分层时空建模和宏观信息引导的 Mamba 选择机制，在三个 CSI 数据集上达到最先进性能。
2025-03-14 cs.AI cs.LG
Double-Path Adaptive-correlation Spatial-Temporal Inverted Transformer for Stock Time Series Forecasting
School of Intelligence Science and Technology（智能科学与技术学院）；Computational Intelligence Laboratory（计算智能实验室）；National Key Laboratory of General Artificial Intelligence（通用人工智能全国重点实验室）；Key Laboratory of Machine Perceptron (MOE)（教育部机器感知重点实验室）
针对股票预测缺乏固定空间关系的问题，提出DPA-STIFormer模型，通过以特征变化为token并采用双向自适应融合与双路径门控机制全面提取动态空间信息，在四个数据集上取得SOTA结果。
2024-09-24 cs.AI cs.LG
A New Metric for Lumpy and Intermittent Demand Forecasts: Stock-keeping-oriented Prediction Error Costs
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
产品需求预测对于物流和生产的短期和长期优化至关重要。因此，最准确的预测可能是可取的。为了最佳地训练预测模型，需要通过适当的度量来评估预测与实际需求相比的偏差。然而，如果度量不代表实际的预测误差，则预测模型未被充分优化，并且因此将产生不准确的预测。然而，诸如MAPE或RMSE的最常见的度量不适合于预测误差的评估，特别是对于不稳定和间歇性需求模式，因为它们不足以解释例如，时间变化（在实际需求之前或之后的预测）或成本相关方面。因此，我们提出了一个新的指标，除了统计考虑，还解决了业务方面。此外，我们根据汽车售后市场的模拟和实时需求时间序列评估该指标。
2020-04-22 cs.LG q-fin.GN stat.ML
Optimum Output Long Short-Term Memory Cell for High-Frequency Trading Forecasting
University of Edinburgh（爱丁堡大学）；Tampere University（坦佩雷大学）
本文提出一种实时调整的最优输出长短期记忆细胞，通过选择最佳门或状态作为输出，在浅层拓扑下在线训练，用于高频交易预测，并在美国及北欧股票上验证了更低的预测误差。
2023-05-15 cs.CE cs.LG q-fin.TR
Equity forecast: Predicting long term stock price movement using machine learning
School of Computer Science, University of Manchester（曼彻斯特大学计算机科学学院）
针对长期股票价值预测难度大、机器辅助不足的问题，本文提出机器学习辅助的长期股价评估方法，可76.5%准确预测公司一年内价值是否上涨10%。
2018-11-22 cs.LG q-fin.GN
Hypercomplex neural network in time series forecasting of stock data
Faculty of Computer Science and Telecommunications, Cracow University of Technology（克拉科夫理工大学计算机科学与电信学院）；Faculty of Mathematics and Computer Science, University of Warmia and Mazury in Olsztyn（瓦尔米亚-马祖里大学数学与计算机科学学院）
本文测试了基于四维超复数代数的三类神经网络架构在股票时间序列预测中的表现，发现含超复数密集层的架构在保持相似MAE精度的同时显著减少了可训练参数并加快了学习处理速度。
2024-02-13 cs.LG cs.NE
An Evaluation of Deep Learning Models for Stock Market Trend Prediction
School of Computing Dublin City University Dublin, Ireland；Insight Centre for Data Analytics Dublin City University Dublin, Ireland
本研究评估了TCN、N-BEATS、TFT等深度学习模型在股市短期趋势预测中的表现，并提出了优化的xLSTM-TS模型。结合小波去噪技术，xLSTM-TS在S&P 500和EWZ数据集上表现最佳，显著提升了预测准确率。
2024-08-22 cs.LG
Asset Price Forecasting using Recurrent Neural Networks
Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工学院））
本论文的主要目的有三个，首先是预测两只股票，即高盛（GS）和通用电气（GE）。为了预测股票价格，我们使用了一个长短期记忆（LSTM）模型，在这个模型中，我们输入了另外两只与GS密切相关的股票的价格。其他模型如ARIMA被用作基准。实证结果表明了使用LSTM预测股票时的实际挑战。其中一个主要的动荡是一个反复出现的滞后，我们称之为“预测滞后”。第二个目的是对时间序列预测的任务发展一个更普遍和客观的观点，以便它可以被应用于辅助人工神经网络的任意预测。因此，试图区分以前的作品由一定的标准（由艾哈迈德Tealab写的评论论文介绍），以总结那些包括有效的信息。然后，通过可应用于时间序列预测任务的不同步骤的通用术语来统一和表达概括的信息。最后但并非最不重要的目的，这篇论文是阐述一个数学框架上的人工神经网络的基础。我们将使用Anthony L. Caterini，其中引入了通用神经网络的结构，并根据其描述的框架引入了梯度下降算法（其中包含反向传播）。最后，我们将这个框架用于特定的架构，这是我们专注于的递归神经网络，我们的实现是基于它的。这本书证明其定理主要是分类的情况。相反，我们证明了回归情况下的定理，这就是我们的问题。
2020-10-20 cs.LG q-fin.TR stat.ML
The Battle of Information Representations: Comparing Sentiment and Semantic Features for Forecasting Market Trends
Higher School of Economics University（高等经济大学）；Sber AI Lab（俄联邦储蓄银行人工智能实验室）；Artificial Intelligence Research Institute (AIRI)（人工智能研究院（AIRI））
利用机器学习方法对股票市场进行研究是揭示隐藏的市场信息的一个主要方向。这些知识有助于深刻理解金融市场动态并获得传统分析方法难以发现的行为见解。股票价格与世界事件和社会观念有着内在的联系。因此，在构建股票价格预测模型时，关键阶段是将外部世界的这些信息纳入其中，这些信息通过新闻和社交媒体帖子反映出来。为了适应这一点，研究人员利用隐式或显式的知识表示：（1）从文本中提取的情感或（2）原始文本嵌入。然而，有太少的研究注意到这些方法的直接比较方面的金融模型的预测能力的影响。在本文中，我们的目标是缩小这一差距，并弄清楚是否语义特征的形式上下文嵌入更有价值的预测市场趋势比情绪属性。我们考虑了与纳斯达克资本化最大公司及其收盘价相关的Twitter帖子的语料库。首先，我们展示了推特情绪与公司股价波动的联系。相信现有的关系，我们训练时间融合Transformer模型的价格预测与鸣叫情绪或鸣叫嵌入补充。我们的研究结果表明，在大量的情况下，使用情感特征会导致更高的指标。值得注意的是，这些结论在涉及Twitter帖子和最大科技公司股票的情况下是合理的。
2023-03-24 cs.LG
XForecast: The KDD 2026 Finance Day Challenge on News-Grounded Financial Forecasting
LG AI Research（LG AI研究院）；Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）
XForecast是KDD 2026金融日在Kaggle举办的竞赛，提供含100只大盘股2019-2023年数据的基准，采用加权命中率指标，用于评估整合金融时间序列与新闻文本的股价预测方法。
2026-10-14 cs.LG
Stock Price Forecasting and Hypothesis Testing Using Neural Networks
Rice University（莱斯大学）；Department of Economics（经济学系）
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。
2019-08-28 cs.LG econ.EM q-fin.ST
Stock price forecast with deep learning
Canadian University Dubai（迪拜加拿大大学）；Zayed University（扎耶德大学）
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。
2021-03-21 cs.LG q-fin.ST
Predicting the direction of stock market prices using random forest
由于其复杂性和动态性，股票市场价格趋势预测多年来一直是研究人员感兴趣的领域。全球股票市场的内在波动性使得预测具有挑战性。预测和扩散模型虽然有效，但不能成为解决短期或其他预测中遇到的各种问题的灵丹妙药。市场风险与预测误差密切相关，需要尽量减少，以确保投资风险最小化。作者提出通过将预测问题视为分类问题来最小化预测误差，分类问题是机器学习中的一种流行算法。在本文中，我们提出了一种新的方法来最大限度地减少投资风险，在股票市场预测的股票收益率使用一类强大的机器学习算法集成学习。利用相对强弱指数、随机振荡器等技术指标作为输入对模型进行训练。所使用的学习模型是多个决策树的集成。该算法优于现有的算法，在文献中发现的rithms。已发现袋外（OOB）误差估计是令人鼓舞的。关键词：随机森林分类器，股票价格预测，指数平滑，特征提取，OOB误差和收敛性。
2016-04-29 cs.CE cs.LG
Online High-Frequency Trading Stock Forecasting with Automated Feature Clustering and Radial Basis Function Neural Networks
Business School, University of Edinburgh（爱丁堡大学商学院）
本文提出一种结合双重竞争特征重要性机制与k-means聚类的高频交易股票预测方法，通过将k-means引入RBFNN实现自动特征选择与聚类，在20只标普500股票上验证了其有效性，消除了手动网格搜索并提升了中间价预测效率。
2024-12-27 cs.LG q-fin.ST
Learning Universal Multi-level Market Irrationality Factors to Improve Stock Return Forecasting
本文提出UMI模型，通过从个股和整体市场两个层面学习市场非理性因子，利用理性价格偏差和自监督表征学习捕捉非理性行为，以改进股票收益预测。
2025-02-07 cs.LG
