Working Paper: Improved Stock Price Forecasting Algorithm based on Feature-weighed Support Vector Regression by using Grey Correlation Degree
随着人工智能、大数据决策等广泛的工程应用，原本大量繁琐的金融数据处理、加工和分析变得越来越便捷有效。本文旨在提高股票价格预测的准确性。利用灰色关联分析（GCA）对支持向量机回归算法进行了改进，提高了股票预测的准确性。本文首先将影响股价运动的因素分为行为因素和技术因素。行为因素主要包括天气指标和情绪指标。技术因素主要包括日收盘数据和沪深300指数，然后通过灰色关联分析方法来衡量相关性。交易日内股票价格与其影响因子之间的关系，并将这种关系转化为各影响因子的特征权重。利用特征权重对各交易日影响因子的权重进行加权，最后采用支持向量回归机（SVR）进行回归。根据技术指标（MSE、MAE、SCC、DS）的预测结果和未修改的交易数据对修改后的股票交易数据进行预测比较，发现预测结果有明显改善。
2019-02-24 q-fin.CP q-fin.ST
Hierarchical Multi-Task Learning with Liquidity-Aware Signals for Stock Forecasting
Peking University（北京大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；International Digital Economy Academy (IDEA)（国际数字经济发展研究院）；Cornell University（康奈尔大学）；The Hong Kong University of Science and Technology, Guangzhou（香港科技大学（广州））
针对股票预测中股票间与时间依赖混淆及单变量目标局限，提出LiMT分层多任务学习框架，集成流动性感知信号，通过MRE、LDL和APO模块提升预测与组合优化，在CSI300/500上表现最优，回测中显著提升收益与夏普比率。
2026-09-23 cs.CE q-fin.CP
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。
2025-04-24 cs.CE q-fin.CP
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
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。
2021-12-17 cs.CE cs.LG q-fin.CP
Volatility Forecasting with 1-dimensional CNNs via transfer learning
波动率是金融中的一种自然风险度量，因为它量化了股票价格的变化。在金融数学中经常考虑的问题是预测波动率的不同估计。使用深度学习方法预测波动性的前景是，股票价格回报满足一些常见的属性，称为“程式化事实”。此外，使用的数据量可能很高，有利于神经网络的应用。我们使用了数百只频繁交易的股票10年的每日价格，并比较了不同的CNN架构：一些网络只使用考虑的股票，但我们尝试了一种结构，用于训练，使用更多的序列，但不是考虑的股票。从本质上讲，这是迁移学习的一个应用，在预测误差方面，它的性能要好得多。我们还比较了我们的扩张因果CNN的经典ARIMA方法使用自动模型选择程序。
2020-09-07 q-fin.CP 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
DoubleAdapt: A Meta-learning Approach to Incremental Learning for Stock Trend Forecasting
Shanghai Jiao Tong University（上海交通大学）
针对股票趋势预测中分布偏移导致增量更新失效的问题，本文提出双适配器端到端框架 DoubleAdapt，通过元学习联合优化数据适配与参数初始化，实现最优预测性能与较高效率。
2024-04-07 cs.AI cs.CE cs.LG
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
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。
2025-02-17 math.PR q-fin.CP stat.AP
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。
2023-02-24 q-fin.CP q-fin.RM q-fin.ST
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。
2024-12-15 cs.AI q-fin.CP
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。
2024-08-05 cs.LG q-fin.CP q-fin.PM
Financial Market Directional Forecasting With Stacked Denoising Autoencoder
Nanjing Audit University（南京审计大学）；Southwestern University of Finance and Economics（西南财经大学）
预测股票市场走向一直是金融学中一个令人惊奇而又富有挑战性的问题。虽然许多流行的浅层计算方法（如反向传播网络和支持向量机）已被广泛提出，但大多数算法尚未达到理想的适用性水平。在本文中，我们提出了一种深度学习模型，该模型具有强大的生成高级特征表示的能力，可用于准确的财务预测。准确地说，应用来自深度学习的堆叠去噪自动编码器（SDAE）来预测来自中国上海和深圳证券交易所的每日CSI 300指数。我们使用六个评价标准来评估其性能，并与反向传播网络，支持向量机。实验表明，采用深机技术的底层金融模型对沪深300指数的预测具有显著优势。
2019-12-02 cs.LG q-fin.CP
Adaptive Weighted Genetic Algorithm-Optimized SVR for Robust Long-Term Forecasting of Global Stock Indices for investment decisions
Delhi School of Management, Delhi Technological University（德里理工大学德里管理学院）
本文提出改进型遗传算法优化支持向量回归模型，用于提升全球股指长期价格预测的准确性和效率。
2025-12-17 cs.LG q-fin.CP
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。
2020-01-10 cs.LG q-fin.CP q-fin.ST
Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy
Mahishamuri Ramkrishna Vidyapith（马希沙穆里·拉姆克里希纳学院）
本文提出结合TPE贝叶斯超参数优化的门控循环神经网络（TPE-GRNN），融合基本面、技术指标、油价和宏观经济八类特征预测NIFTY 50次日收盘价，实验表明TPE-LSTM的MAPE优于已有模型。
2024-06-02 cs.AI cs.LG cs.NE
