Corporate Fundamentals and Stock Price Co-Movement
提出基于大数据和高频数据的框架，通过四种回归模型识别领先联动股票，并验证银行基本面因素对其同业影响，以缓解市场波动。
2024-11-06 q-fin.ST
Towards Earnings Call and Stock Price Movement
S&P Global（标普全球）
盈利电话会议由上市公司的管理层主持，与分析师和投资者讨论公司的财务业绩。财报电话会议期间披露的信息是分析师和投资者做出投资决策的重要数据来源。因此，我们利用盈利电话会议成绩单来预测未来的股票价格动态。我们建议使用深度学习框架对成绩单中的语言进行建模，其中应用注意力机制将文本数据编码为向量，以供判别式网络分类器预测股价走势。实证实验表明，该模型优于传统的机器学习基线，且盈余预告信息能够提高股票价格的预测性能。
2020-08-23 cs.CE cs.CL cs.LG
Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network
Auburn University（奥本大学）；Verizon Media Group (Yahoo!)（威瑞森媒体集团（雅虎））；Amazon.com Inc.（亚马逊公司）
我们提出了开发一个全球混合深度学习框架来预测股票市场的每日价格。通过表示学习，我们得到了一个名为Stock2Vec的嵌入，它让我们了解不同股票之间的关系，而时间卷积层用于自动捕获序列内和序列间的有效时间模式。在标准普尔500指数上进行评估，我们的混合框架集成了这两个优点，并在股票价格预测任务上取得了比几个流行的基准模型更好的性能。
2020-09-29 cs.LG q-fin.ST stat.ML
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。
2019-10-11 cs.CE q-fin.ST
Graph-Based Learning for Stock Movement Prediction with Textual and Relational Data
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）
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。
2021-12-15 cs.CL q-fin.ST
Convolutional Feature Extraction and Neural Arithmetic Logic Units for Stock Prediction
BITS Pilani Goa Campus（贝拉理工学院皮拉尼果阿校区）
股票预测是一个多年来一直在深入研究的课题。金融专家和数学家一直在研究一种方法来预测未来的股票价格，以便决定购买或出售股票以获利。股票专家或经济学家，通常会对以前的股票价值进行分析，利用技术指标、情感分析等来预测未来的股票价格。近年来，许多研究已经广泛地使用机器学习来预测股票行为。在本文中，我们提出了数据驱动的深度学习方法，利用卷积神经网络的特征提取特性，并使用神经算术逻辑单元来预测未来的股票价值。
2019-05-18 cs.LG q-fin.ST stat.ML
Stock Movement Prediction with Financial News using Contextualized Embedding from BERT
Ecole Polytechnique（巴黎综合理工学院）；Exoduspoint Capital Management France（法国Exoduspoint资本管理公司）
新闻事件可以极大地影响股票市场。在本文中，我们感兴趣的是预测股票价格的短期运动后，金融新闻事件使用的新闻标题。为了实现这一目标，我们引入了一种新的文本挖掘方法，称为微调上下文嵌入递归神经网络（FT-CE-RNN）。与以前使用静态向量表示的新闻（静态嵌入）的方法相比，我们的模型使用从双向编码器表示从Transformers（BERT）生成的标题（上下文化嵌入）的上下文化向量表示。我们的模型在这个股票走势预测任务上获得了最先进的结果。与其他基准模型相比，它在准确性和交易模拟方面都有显着改善。通过基于彭博新闻社数百万条头条新闻的各种交易模拟，我们展示了该模型在真实场景中的能力。
2021-07-19 cs.CL cs.LG q-fin.PM
The Time Function of Stock Price
本文将股票价格与时间的定量关系定义为一个时间函数。基于股票对数收益率是白噪声序列的经验证据，建立了描述股票价格运动现象的整数白噪声数学模型。运用演绎方法推导出股价运动的自相关函数、位移公式和功率谱密度，不仅揭示了股价运动的特征和规律，而且揭示了股价的可预测性。为证券投资的价格分析、预测和风险管理提供了演绎基础。
2023-02-20 q-fin.ST
Sutte Indicator: an approach to predict the direction of stock market movements
本研究的目的是将Sutte指标的技术分析应用于股票交易中，这将有助于投资决策过程，即购买或出售股票。本研究采用2006年11月29日至2016年9月20日期间印度尼西亚证券交易所（IDX或BEI）“A”的数据。要查看Sutte指标的表现，可以使用其他技术分析作为比较，简单移动平均线（SMA）和移动平均线收敛/发散（MACD）。为了比较可靠性预测水平，使用平均绝对偏差（MAD）、均方误差（MSE）和平均绝对百分比误差（MAPE）比较了库存数据。本研究的结果是，Sutte指标可以作为预测股票走势的参考，如果通过MAD，MSE和MAPE与其他指标方法（SMA和MACD）进行比较，Sutte指标具有更好的可靠性。
2019-01-13 q-fin.ST
Defining an intrinsic stickiness parameter of stock price returns
我们引入了一个非线性的股票收益定价模型，定义了一个粘性参数的回报。该定价模型类似于金融中使用的资本资产定价模型，但具有受地震构造板块运动模型启发的非线性成分。与板块运动的联系是存在的，因为一个给定的股票指数的价格波动被认为会增加其个股回报组成部分的压力，以便跟随指数。个股跟随指数价格走势的紧密程度可以用来定义它们的粘性
2020-05-05 q-fin.GN q-fin.ST
Stock Market Prediction from WSJ: Text Mining via Sparse Matrix Factorization
Princeton University（普林斯顿大学）
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。
2014-06-27 cs.LG q-fin.ST
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
Comparative Study of Long Short-Term Memory (LSTM) and Quantum Long Short-Term Memory (QLSTM): Prediction of Stock Market Movement
University of the Punjab（旁遮普大学）；University of Jeddah（吉达大学）
本研究针对巴基斯坦股市走势预测难题，采用LSTM和QLSTM模型，基于2004-2020年26项多维度指标月度数据预测KSE 100指数，对比发现QLSTM是更具潜力的股市趋势预测技术。
2024-09-04 cs.AI cs.LG q-fin.ST
Globalization and long-run co-movements in the stock market for the G7: an application of VECM under structural breaks
本文基于协整检验和向量误差修正模型，分析了我国股票市场的长期协整性和股票市场全球化的过程。这里使用的协整检验允许明确建模的结构突变和断点计算的相对时间的基础上。我们实证分析中使用的数据来自Datastream，包括自1973年以来G7国家相关股票市场指数的自然曲线。主要的研究结果表明，在这种情况下，发生显着的因果协整效应，并有一个长期的均衡关系，管理全球市场一体化的过程。然而，全球化是一个复杂的调整过程，在许多情况下，只有市场一体化薄弱的证据，这意味着在市场上随着比例变化发生非比例价格传导。正如预期，全球市场似乎普遍受到美国股票市场的推动。
2011-01-21 q-fin.ST
Media Moments and Corporate Connections: A Deep Learning Approach to Stock Movement Classification
提出结合金融数据、社交媒体和股票关联的图神经网络分层时间模型，利用S&P 500数据验证，累积回报率提升28%，为投资决策提供实证支持。
2023-09-08 cs.SI q-fin.CP q-fin.ST
Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning
ETH Zürich（苏黎世联邦理工学院）
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。
2026-05-25 cs.LG q-fin.ST
Market-wide price co-movement around crashes in the Tokyo Stock Exchange
本文以东京证券交易所上市的日经225指数成分股为研究对象，分析了2007- 2009年三年的高频股票收益率数据，研究了股市崩盘前后的价格联动性。对白天连续拍卖中每隔1 min采集的时间序列进行逐日主成分分析，结果显示相关矩阵的最大特征值具有长达数月的显著自相关性，反映了整个市场股价联动的强度。它还与日经225指数的开盘至收盘日内收益率和日收益率密切相关。在多重分形随机游走模型的框架下，研究了最大特征值对应的第一主成分市场模式。在滑动时间窗中估计的模型参数描述了随机波动率的对数的协方差，在几乎所有小于-5%的盘中价格大幅下跌之前增长。这一现象表明，在崩盘之前，整个市场的集体行为正在上升，这可能反映了市场参与者的羊群效应。
2013-06-10 q-fin.ST
A study of co-movements between oil price, stock index and exchange rate under a cross-bicorrelation perspective: the case of Mexico
在本章中，我们研究了1994年至今的样本期内墨西哥原油价格、墨西哥股票市场指数和美元/墨西哥比索汇率之间的非线性联动。我们使用了一组非线性测试，参见。（Patterson & Ashley，2000）和一个多变量检验，以确定从石油价格到股票和汇率市场的动态联动。使用Brooks & Hinich（1999）交叉双相关统计检验来暴露这种共同运动和时间窗。已经从不同角度研究了石油泄漏对其他市场的影响以及对若干金融资产的影响。在这项研究中，我们把注意力集中在检测，不仅是市场之间的相关性，但在这种非线性依赖可能发生的时代。为了更好地理解推动经济的市场如何相互作用，这一点很重要。我们希望通过这些发现为文献做出贡献，填补新兴市场背景下的空白，特别是墨西哥的案例。
2016-02-10 q-fin.ST
Incorporating Interactive Facts for Stock Selection via Neural Recursive ODEs
Southwestern University of Finance and Economics（西南财经大学）；University of Maryland, College Park（马里兰大学帕克分校）；Pennsylvania State University（宾夕法尼亚州立大学）；University of Electronic Science and Technology of China（电子科技大学）
选股是对股票进行排序，以优化投资决策，使投资风险最小化，利润回报最大化。最近，研究人员开发了各种基于（循环）神经网络的方法来解决这个问题。毫无例外，他们主要利用历史市场波动来提高选择绩效。然而，这些方法在很大程度上依赖于离散采样的市场观察，这要么没有考虑股票波动的不确定性，或预测未来的连续股票动态。此外，一些研究考虑了多个领域（例如，行业和股东）。然而，不同领域之间隐含的交叉依赖性尚未得到充分的研究。为了解决这些问题，我们提出了一种新的股票选择解决方案-股票ODE，一个潜在的变量模型与高斯先验。具体来说，我们设计了一个运动趋势相关性模块，以揭示股票运动的时变关系。我们设计了神经递归常微分方程网络（NRODE），以连续动态的方式捕捉股票波动的时间演化。此外，我们建立了一个层次超图，以纳入股票之间的领域感知依赖。在两个真实世界的股票市场数据集上进行的实验表明，StockODE显着优于几个基线，如高达18.57%的平均改善夏普比率。
2022-10-28 cs.LG q-fin.ST
Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction
Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）；Hanoi University of Science and Technology（河内理工大学）；Griffith University（格里菲斯大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）
深度神经网络（DNN）架构的进步为股票市场数据提供了新的预测技术。与其他多变量时间序列数据不同，股票市场显示出两个独特的特征：（i）\emph{multi-order dynamics}，因为股票价格受到强非成对相关性的影响（例如，（ii）\emph{internal dynamics}，因为每只股票都表现出一些特定的行为。最近基于DNN的方法使用超图捕获多阶动力学，但依赖于卷积中的傅立叶基，这是低效和无效的。此外，他们在很大程度上忽略了内部动态，对每只股票采用相同的模型，这意味着严重的信息损失。在本文中，我们提出了一个框架，股票走势预测，以克服上述问题。具体来说，该框架包括时间生成过滤器，这些过滤器在LSTM网络上实现基于记忆的机制，试图学习每只股票的单个模式。此外，我们采用超图注意捕捉非成对相关。这里，使用小波基而不是傅立叶基，使我们能够简化消息传递并专注于局部卷积。美国市场数据的实验表明，我们的框架在利润和稳定性方面优于最先进的方法。我们的源代码和数据可在\url{https://github.com/thanhtrunghuynh93/estimate}上获得。
2022-11-24 cs.AI cs.IR cs.LG
Feature Engineering for Mid-Price Prediction with Deep Learning
Tampere University（坦佩雷大学）；Danmarks Nationalbank（丹麦国家银行）；Aarhus University（奥胡斯大学）
由于限价订单簿（LOB）的复杂性和动态性，基于LOB数据的中间价走势预测是一项具有挑战性的任务。到目前为止，基于LOB数据提取相关特征的尝试非常有限。在本文中，我们解决这个问题，设计了一套新的手工制作的功能，并进行了广泛的实验评估的液体和非流动性股票。更具体地说，我们实现了一组新的计量经济学特征，这些特征捕获了基础证券的统计特性，用于中间价预测任务。此外，我们开发了一个新的实验协议，在线学习，把任务作为一个多目标优化问题，并预测i）下一个价格变动的方向和ii）的数量订单簿事件发生，直到发生的变化。为了预测中间价走势，这些特征被输入到九个不同的深度学习模型中，这些模型基于多层感知器（MLP）、卷积神经网络（CNN）和长短期记忆（LSTM）神经网络。该方法的性能，然后评估液体和非流动性股票，这是基于TotalView-ITCH美国和北欧股票，分别。对于某些股票，结果表明，正确选择特征集和模型可以成功预测股价波动需要多长时间。
2019-06-07 cs.LG q-fin.ST
MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive and Dynamic Stock Investment Prediction
Ant Group（蚂蚁集团）；Alibaba Group（阿里巴巴集团）
针对股价预测中动态复杂关系建模的局限，提出多关系动态图神经网络（MDGNN）框架，结合离散动态图与Transformer结构捕捉股票间多重关系的时序演化，在公开数据集上达到SOTA性能。
2024-01-19 cs.IR cs.LG q-fin.ST
An Exploratory Study of Stock Price Movements from Earnings Calls
金融市场分析主要集中在从损益表或每股收益报告中报告的会计、股票价格和其他数字硬数据中提取信号。然而，众所周知，决策者通常使用基于软文本的文档来解释他们所叙述的硬数据。用于大规模分析非结构化和基于软文本的数据的计算方法的最新进展为理解金融市场行为提供了可能性，这些行为可以改善投资和市场公平。软数据的一种重要且普遍存在的形式是盈利电话。盈利电话会议通常是由首席执行官定期（通常是每季度）发表的声明，他们试图影响投资者对公司过去和未来业绩的预期。在这里，我们研究了盈利电话会议，公司销售，股票表现和分析师的建议之间的统计关系。我们的研究涵盖了十年的观察，其中包括2010年1月至2019年12月期间6，300家上市公司的约100，000份财报电话会议记录。在这项研究中，我们报告了三个新的发现。第一，专业分析师在收益前提出的买入、卖出和持有建议与收益电话会议后的股价走势相关性很低。其次，使用我们基于图神经网络的方法来处理盈利电话的语义特征，我们可靠而准确地预测了五个主要经济领域的股价走势。第三，成绩单的语义特征比销售额和每股收益更能预测股价走势，即，传统的硬数据在大多数情况下。
2022-01-31 cs.CE q-fin.ST
Predicting Stock Price Movement after Disclosure of Corporate Annual Reports: A Case Study of 2021 China CSI 300 Stocks
在当前的股票市场中，计算机科学技术越来越广泛地应用于股票分析。与大多数相关的机器学习股价预测工作不同，本文研究的是公司年报披露后第二天股价走势的预测。我们使用各种不同的模型，包括决策树，逻辑回归，随机森林，神经网络，原型网络。我们使用两组财务指标（关键和扩展）进行实验，这些财务指标是从EastMoney网站上公司披露的财务指标中获得的，最后我们发现这些模型并不能很好地预测趋势。此外，我们还筛选ROE大于0.15、净现金比率大于0.9的股票。我们的结论是，根据公司刚刚发布的年度报告的财务指标，披露后的第二天的股票价格走势的可预测性较弱，在我们的测试集上的随机森林分类器的最大准确率约为59.6%，最大精度约为0.56，股票过滤并没有提高性能。而随机森林在这些模型中表现最好，这与已有的研究结果相一致。
2022-07-22 cs.AI q-fin.ST
COVID19-HPSMP: COVID-19 Adopted Hybrid and Parallel Deep Information Fusion Framework for Stock Price Movement Prediction
Concordia Institute for Information Systems Engineering（康考迪亚信息系统工程研究所）；Concordia University（康考迪亚大学）
新型冠状病毒（COVID-19）突然改变了世界，正如我们在21世纪第三个十年开始时所知道的那样。特别是，COVID-19疫情对全球金融计量经济学及股票市场产生负面影响。基于人工智能（AI）和机器学习（ML）的预测模型，特别是深度神经网络（DNN）架构，有可能成为减少COVID-19大流行和未来可能对金融市场造成的不利影响的关键促成因素。在这方面，首先，本文介绍了一个独特的COVID-19相关PRICE运动预测（COVID-19 PRIMO）数据集，该数据集结合了与COVID-19相关的社交媒体趋势对股票市场价格走势的影响。之后，提出了一种新的混合和并行的基于DNN的框架，集成了不同的和多样化的学习架构。被称为COVID-19采用的股票价格走势预测的混合和并行深度融合框架（COVID-19-HPSMP），创新的融合策略用于将与COVID-19相关的分散的社交媒体新闻与历史标记数据相结合。提出的COVID 19-HPSMP由两条并行路径（因此是混合的）组成，一条基于具有局部/全局注意力模块的卷积神经网络（CNN），另一条集成了CNN和双向长短期记忆（BLSTM）的路径。性能评估是基于引入的COVID 19 PRIMO数据集进行的，该数据集说明了拟议框架的卓越性能。
2021-07-08 cs.LG eess.SP q-fin.RM
Collective behavior of stock price movements in an emerging market
为了研究在不同的市场中的相互作用的结构的普遍性，我们分析了交叉相关矩阵C的股票价格波动在印度国家证券交易所（NSE）。我们发现，这个新兴市场表现出很强的相关性，在股票价格的运动相比，发达市场，如纽约证券交易所（NYSE）。这是由于一个共同的市场模式对股票价格的主导影响。相比之下，相关种群之间的相互作用，例如，属于同一行业的企业则要弱得多。新兴市场缺乏独特的行业特征，这一点通过重建相互作用的股票网络得到了明确的体现。NSE的C的谱分析揭示，少数最大特征值偏离随机矩阵理论预测的大部分谱，但它们在数量上远少于，例如，纽约证券交易所我们表明，这是由于行业内股票之间的相互作用相对较弱，相比市场模式，通过建模股票价格动态与两个因子模型。我们的研究结果表明，出现了一个内部结构，包括多组强耦合组件是市场发展的标志。
2007-11-05 cond-mat.other physics.data-an physics.soc-ph
Stock Mechanics: a classical approach
提出了股票市场预测的新的理论方法。给出了股票市场算术关系的一种形式化，其中一些简单的（非微分的，非分形的）表达式也被建议作为封闭形式的一般股票价格公式，这些公式能够及时产生各种可能的价格变动。提出了一种用经典概念描述价格运动的力学。在那里利用股票力学增长的投资组合在现实市场中也被证明。
2005-03-21 physics.soc-ph q-fin.ST
Impact of LLMs news Sentiment Analysis on Stock Price Movement Prediction
SnT, University of Luxembourg（卢森堡大学SnT学院）；RIADI, ENSI, University of Manouba（突尼斯曼努巴大学RIADI学院）
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。
2026-03-09 cs.AI cs.CE 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
Linking microblogging sentiments to stock price movement: An application of GPT-4
本研究利用GPT-4对微博情感进行上下文分析，预测苹果和特斯拉的当日股价变动，在多数月份优于BERT，最高准确率达71.47%，并强调提示工程的重要性。
2023-08-31 q-fin.CP q-fin.ST
Cluster analysis of stocks using price movements of high frequency data from National Stock Exchange
本文旨在开发新的技术来描述股票的联合行为，超越回归和相关性。例如，我们想确定一起移动的种群的集群。我们的工作是基于应用核主成分分析（KPCA）和功能主成分分析（FPCA）的高频数据NSE。由于我们处理的是最小价格变动单位为30秒的高频数据，因此FPCA似乎是一个理想的选择。FPCA是PCA的一个函数变体，其中每个样本点被认为是希尔伯特空间L^2中的一个函数。另一方面，KPCA是使用核方法的PCA的扩展。从FPCA和高斯核PCA得到的结果似乎是协同作用，但有滞后。在我们的分析中出现了两个突出的集群，一个对应于银行业，另一个对应于IT业。其他较小的集群来自汽车工业和能源部门。IT部门与这些小型集群相互作用。从这些互动中获得的学习是实质性的，因为人们可以使用它来为日内交易者制定交易策略。
2018-03-26 q-fin.ST stat.CO
Generative Adversarial Network (GAN) and Enhanced Root Mean Square Error (ERMSE): Deep Learning for Stock Price Movement Prediction
Charles Sturt University（查尔斯特大学）；University of Western Sydney（西悉尼大学）；Kent Institute Australia（澳大利亚肯特学院）；Asia Pacific International College（亚太国际学院）；University of Technology, Baghdad（巴格达技术大学）；University of Kurdistan Hewler（库尔德斯坦大学赫威勒）；The University of Da Nang – University of Science and Education（岘港大学-科学教育大学）
股票价格走势预测在金融界和学术界都具有重要意义。股票价格包含着复杂的、不完全的、模糊的信息，这使得预测其发展趋势成为一项极其困难的任务。预测和分析金融数据是一个非线性、时变的问题。随着机器学习和深度学习的快速发展，这一任务可以通过专门设计的网络更有效地执行。本文旨在通过使用生成对抗网络的深度学习架构来提高预测精度并最大限度地减少预测错误损失。提出了一种通用的价格序列预测模型，该模型由相空间重构（PSR）方法和生成对抗网络（GAN）组成，生成对抗网络是由长短期记忆（LSTM）作为生成模型和卷积神经网络（CNN）作为判别模型的两种神经网络组合而成，用于对抗性训练来预测股票市场。LSTM将根据历史基本指标信息生成新的实例，然后CNN将估计数据是否是LSTM预测的或真实的。结果发现，生成对抗网络（GAN）在增强的均方根误差方面表现良好，因为它在预测方向方面的准确度提高了4.35%，处理时间和RMSE分别减少了78秒和0.029。本研究在股票指数的准确性方面提供了较好的结果。看来，所提出的系统集中在最小化均方根误差和处理时间，提高方向预测精度，并提供了一个更好的结果，在准确的股票指数。
2021-11-30 cs.LG cs.NE q-fin.ST
Understanding the Impact of News Articles on the Movement of Market Index: A Case on Nifty 50
Praxis Business School（普拉西斯商学院）
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。
2024-11-22 cs.CL cs.LG q-fin.ST
Fast Training Algorithms for Deep Convolutional Fuzzy Systems with Application to Stock Index Prediction
University of Chinese Academy of Sciences（中国科学院大学）
高维输入空间上的深度卷积模糊系统（DCFS）是许多低维模糊系统的多层连接，其中低维模糊系统的输入变量通过跨层输入空间的移动窗口来选择。为了设计基于输入输出数据对的DCFS，我们提出了一种自底向上的逐层方案。具体来说，通过查看每个第一层模糊系统作为一个弱估计的输出仅基于一个非常小的部分的输入变量，我们设计这些模糊系统使用WM方法。在第一层模糊系统设计完成后，我们将数据通过第一层形成一个新的数据集，并以设计第一层模糊系统的相同方式基于这个新的数据集设计第二层模糊系统。重复这一过程逐层我们设计整个DCFS。我们还提出了一个DCFS参数共享，以节省内存和计算。我们应用DCFS模型对一个人工合成的混沌加随机时间序列和香港股票市场的恒生指数进行了预测。
2019-08-09 cs.LG q-fin.ST
Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed Generative Network
New Jersey Institute of Technology（新泽西理工学院）
股票走势的预测一直是业界和学术界关注的焦点。尽管做出了如此重大的努力，但由于股票市场内在的复杂性，其结果仍然不令人满意，这些因素包括供求关系、经济状况、政治气候，甚至是非理性的人类行为。最近，生成对抗网络（GAN）已扩展到时间序列数据，然而，强大的方法主要是合成系列生成，这不足以适当的股票预测。这是因为用于股票应用的现有GANs遭受模式崩溃并且仅考虑一步预测，因此未充分利用GAN的潜力。此外，在当前的GANs中，合并消息和市场波动被忽视。为了解决这些问题，我们利用金融领域的专家知识，并首次尝试将股票走势预测制定为Wasserstein GAN框架进行多步预测。我们提出了IndexGAN，其中包括针对股票市场固有特征的故意设计，利用新闻上下文学习来彻底调查文本信息，并开发一个专注的seq2seq学习网络，该网络捕获股票价格，新闻和市场情绪之间的时间依赖性。我们还利用评论家来近似实际序列和预测序列之间的Wasserstein距离，并开发一种滚动部署策略，以减轻来自金融市场的噪声。在真实世界的广泛指数上进行了大量的实验，证明了我们的架构比其他最先进的基线具有更好的性能，也验证了其所有贡献组件。
2023-02-27 cs.LG q-fin.ST
Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models
University of Florida（佛罗里达大学）
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。
2025-10-28 cs.CL q-fin.ST
HATS: A Hierarchical Graph Attention Network for Stock Movement Prediction
Korea University（高丽大学）
股票市场一直是学术界和工业界的研究热点。人们开发了许多方法来准确预测股票价格的未来趋势。最近，在计算机科学研究社区中，对利用图结构数据的兴趣越来越大。最近提出了使用关系数据进行股票市场预测的方法，但它们仍处于起步阶段。首先，从不同类型的关系中收集的信息的质量可能有很大差异。没有现有的工作集中在使用不同类型的关系对股票市场预测的影响或找到一种有效的方法来选择性地聚集不同关系类型的信息。此外，现有的工作只集中在个别股票预测，这是类似的节点分类任务。为了解决这个问题，我们提出了一个分层注意力网络股票预测（HATS），它使用关系数据的股票市场预测。我们的HATS方法选择性地聚合不同关系类型的信息，并将这些信息添加到每个公司的表示中。具体地，利用从特征提取模块提取的特征来初始化节点表示。HATS用作具有初始化节点表示的关系建模模块。然后，具有添加的信息的节点表示被馈送到特定于任务的层。我们的方法不仅用于预测个股价格，还用于预测市场指数的走势，这与图形分类任务类似。实验结果表明，性能可能会根据所使用的关系数据而变化。HATS能够自动选择信息，优于现有的所有方法。
2019-11-12 cs.AI cs.CE q-fin.ST
Statistical inference of co-movements of stocks during a financial crisis
为了了解和预测社会系统的涌现现象，我们提出了几个概率模型，用于分析金融市场，特别是在危机前后。我们首先试图通过利用多维标度，通过典型的日本每日股票之间的交叉相关性来可视化市场在金融危机期间的集体行为。我们发现，当经济危机发生时，所有的二维点（股票）都会收缩到一个小区域内。通过使用金融市场中的互相关特性，特别是在危机期间，我们接下来提出了一个理论框架，同时预测几个时间序列。我们的模型系统基本上是由一个变种的多层伊辛模型与非平稳的时间序列随机场。概率模型中出现的超参数通过最小化过去市场历史中的“累积误差”来估计。我们的方法的合理性和有效性进行了数值研究的几个经验数据集。
2013-09-07 q-fin.ST
Investor Sentiment and Market Movements: A Granger Causality Perspective
本研究运用格兰杰因果检验，探究投资者情绪与股市收盘价变动间的因果关系，发现情绪变化先于价格变动且呈正向响应。
2025-09-27 q-fin.ST
A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models
NSHM Knowledge Campus（NSHM知识校园）；Praxis Business School（Praxis商学院）
预测股票价格的未来走势一直是研究人员面临的一项具有挑战性的任务。有效市场假说（EMH）的支持者认为，不可能设计出能够准确预测股价变动的预测框架，但有一些开创性的研究表明，股价的时间序列中看似随机的变动模式可以被高度准确地预测。这种预测模型的设计需要选择合适的变量，正确的变量转换方法，并调整模型的参数。在这项工作中，我们提出了一个非常强大和准确的股票价格预测框架，该框架由统计，机器学习和深度学习模型组成。我们使用每日股票价格数据，收集在五分钟的时间间隔，一个非常知名的公司，在印度国家证券交易所（NSE）上市。粒度数据在一天中被聚合到三个时隙中，并且聚合的数据用于构建和训练预测模型。我们认为，使用统计，机器学习和深度学习方法相结合的模型构建的聚合方法可以非常有效地从股票价格数据中的波动和随机运动模式中学习。我们基于统计和机器学习方法建立了八个分类和八个回归模型。除了这些模型之外，还构建了一个使用长短期记忆（LSTM）网络的深度学习回归模型。这些模型的性能上已经提出了广泛的结果，并对结果进行了批判性的分析。
2021-05-31 cs.LG q-fin.ST stat.ML
An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting
School of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）
针对现有股票走势预测研究忽略市场整体信息与数据高噪声的问题，提出融合市场与个股信息的注意力机制方法及改进EMD降噪算法，在美股ETF数据上表现优于现有基线。
2024-03-25 cs.AI cs.LG q-fin.ST
Dynamic Factor Analysis of Price Movements in the Philippine Stock Exchange
Division of Information Science, Graduate School of Science and Technology（信息科学系，科学与技术研究生学校）；Nara Institute of Science and Technology（奈良科学技术大学）；Department of Applied Mathematics and Physics, Graduate School of Informatics（应用数学与物理系，信息科学研究生学校）；Kyoto University（京都大学）；Department of Quantitative Methods and Information Technology, John Gokongwei School of Management（定量方法与信息技术系，约翰·戈康威管理学院）；School of Mathematical and Physical Sciences, Faculty of Science（数学与物理科学学院，科学学院）；University of Technology Sydney（悉尼技术大学）；Department of Mathematics, School of Science and Engineering（数学系，科学与工程学院）；Ateneo de Manila University（亚特兰大大学）
本研究通过动态因子分析揭示菲律宾股市价格波动的动态特征，利用Kalman方法和最大似然估计提取共同因子，验证传统市场理论并提升预测精度。
2025-10-08 cs.LG q-fin.ST stat.ML
Event-Driven Learning of Systematic Behaviours in Stock Markets
NVIDIA（英伟达）
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。
2020-10-23 cs.LG q-fin.ST
Using Company Specific Headlines and Convolutional Neural Networks to Predict Stock Fluctuations
Durham University（杜伦大学）
这项工作提出了一个卷积神经网络（CNN）的预测第二天的股票波动使用公司特定的新闻标题。使用各种配置的字嵌入和卷积滤波器宽度的实验来评估模型的性能。使用的卷积滤波器的总数远远少于常见的，减少了任务的维度而不损失准确性。此外，多个隐藏层与降维。使用预先学习的嵌入实现了61.7%的分类准确率，这些嵌入在训练期间进行了微调，以表示该任务的特定上下文。还实现了多个过滤器宽度，以检测不同长度的短语，这些短语是分类的关键。交易模拟乃使用所呈列分类结果进行。在838天的测试期内，使用最佳分类配置和简单的交易策略，初始投资增加了两倍多。提出了两种新的方法来降低交易模拟的风险。调整sigmoid类阈值和使用多个类重新标记标题形成了这些方法的基础。这些方法的组合被发现在基线模拟期间实现的平均交易利润（ATP）增加了一倍以上。
2020-06-22 cs.CL cs.LG q-fin.ST
Stock Index Prediction using Cointegration test and Quantile Loss
Yonsei University（延世大学）；CODIT Corp.（CODIT公司）；Chungbuk National University（忠北国立大学）
最近使用深度学习方法进行股票预测的研究已经得到了积极的研究。这是根据历史趋势预测未来股票价格走势的任务。仅根据图表上的历史运动模式而不是基本值来预测运动的方法称为技术分析，在回归任务中可以分为单变量和多变量方法。根据后一种方法，重要的是选择不同的因素和输入，以提高模型的性能。此外，其性能可以取决于使用哪个损失来训练模型。然而，大多数研究往往集中在建立模型的结构，而不是如何选择信息因素作为输入训练他们。在本文中，我们提出了一种方法，可以得到更好的性能在收益方面时，使用协整检验选择信息因素和学习模型使用分位数损失。我们比较了两个RNN变量与分位数损失只有五个因素，通过协整检验中收集的整个15个股票指数的因素在实验中。使用累积收益率和夏普比率来评估训练模型的性能。我们的实验结果表明，我们提出的方法优于其他传统的方法。
2021-09-29 cs.CE cs.LG q-fin.ST
Stock Market Prediction using Natural Language Processing -- A Survey
Vellore Institute of Technology（韦洛尔理工学院）
股票市场是一个网络，它为几乎所有主要的经济交易提供了一个平台。虽然投资股票市场是一个好主意，但投资个股可能不是，特别是对临时投资者来说。聪明的选股需要深入的研究和大量的奉献精神。预测这种股票价值提供了巨大的套利获利机会。这种寻找解决方案的吸引力促使研究人员找到一种方法来解决波动性，季节性和时间依赖性等问题。本文综述了用于预测股票市场走势的自然语言处理和机器学习技术领域的最新文献。本文的主要贡献包括对近期许多文章的复杂分类和对股票市场预测及其相关领域的最新研究趋势的说明。
2022-08-26 cs.LG q-fin.ST
On the Co-movement of Crude, Gold Prices and Stock Index in Indian Market
本文首次运用离散与连续小波分析研究印度NSE指数与黄金、原油价格的联动性，发现整体无协整关系，但低频下存在一定相干性，建议长期交易者纳入黄金或原油以降低组合波动，短期交易者则不宜同时持有三者。
2019-04-09 q-fin.ST
ChatGPT Informed Graph Neural Network for Stock Movement Prediction
Stevens Institute of Technology（史蒂文斯理工学院）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出利用 ChatGPT 从金融新闻文本中推断动态网络结构以增强图神经网络，在股票走势预测上超越最先进深度学习基准，并构建出收益更高、风险更低的投资组合。
2023-09-18 cs.AI cs.CL cs.LG
Text Mining of Stocktwits Data for Predicting Stock Prices
The University of Sydney（悉尼大学）
股票价格预测可以通过考虑价格波动和了解人们的情绪来提高效率。有限数量的模型理解金融术语或标记了有关股票价格变化的数据集。为了克服这一挑战，我们引入了FinALBERT，这是一个基于ALBERT的模型，通过根据股票价格变化标记Stocktwits文本数据来处理金融领域文本分类任务。我们为25家不同的公司收集了超过10年的Stocktwits数据，包括五大FAANG（Facebook，亚马逊，苹果，Netflix，谷歌）。这些数据集被标记为基于股票价格变化的三种标记技术。我们提出的模型FinALBERT使用这些标签进行微调，以实现最佳结果。我们通过在传统机器学习、BERT和FinBERT模型上训练标记数据集来进行实验，这有助于我们理解这些标签在不同模型架构下的表现。我们的标记方法的竞争优势在于它可以帮助有效地分析历史数据，并且可以轻松定制数学函数来预测股票走势。
2021-03-13 cs.LG q-fin.ST
Using Deep Learning Neural Networks and Candlestick Chart Representation to Predict Stock Market
Yuan Ze University（元智大学）；National Taiwan University of Science and Technology（台湾科技大学）；Omniscient Cloud Technology（全知云技术公司）
股票市场预测仍然是一个具有挑战性的问题，因为影响股票市场价格的因素很多，如公司新闻和业绩、行业业绩、投资者情绪、社交媒体情绪和经济因素等。这项工作探讨了在股票市场使用深度卷积网络和蜡烛图的可预测性。的结果是用来设计一个决策支持框架，可用于交易者提供未来股票价格方向的建议指标。我们使用各种类型的神经网络来执行这项工作，如卷积神经网络，残差网络和视觉几何组网络。从股票市场的历史数据，我们将其转换为烛台图。最后，这些蜡烛图将作为训练卷积神经网络模型的输入。这个卷积神经网络模型将帮助我们分析蜡烛图内部的模式，并预测股票市场的未来走势。在股票市场预测中，我们的方法的有效性进行了评估，台湾和印尼股票市场数据集的预测准确率分别为92.2%和92.1%。构建的模型已被实现为基于Web的系统，可在http://140.138.155.216/deepcandle/上免费获得，用于使用烛台图和深度学习神经网络预测股票市场。
2019-02-26 cs.LG q-fin.GN q-fin.ST
Financial sentiment analysis using FinBERT with application in predicting stock movement
University of Rochester（罗切斯特大学）
本研究利用FinBERT情感分析与LSTM网络构建深度学习模型，通过对比标准BERT、LSTM和ARIMA，证明情感分析显著提升股市走势预测准确性，并提出优化技术以增强模型性能。
2026-09-23 cs.AI cs.CE q-fin.ST
Reframing the S\&P500 Network of Stocks along the \nth{21} Century
自新千年开始以来，股票市场经历了从长期低谷、交易暂停到历史高点的每一种状态。因此，资产定价的文献假设股票收益的运动是随机过程。观察到的股票收益的顺周期性和随时间变化的相关性试图给明显的随机行为某种结构。然而，在\emph{Great Recession}和\emph{Global Commodity Crisis}之前的几年里，人们对资产价格共同运动的普遍误解据说甚至助长了危机的经济影响。在这里，我们展示了不同的宏观经济环境如何影响股票聚集成社区。从标准普尔500指数的296只股票样本中，使用2004年至2011年之间的不同时期来开发股票网络。对这些随时间变化的股票网络的最小生成树分析表明，2007-2008年和2010-2011年的危机促使市场在这两个时期形成了集群社区结构，有助于恢复危机前时代股票市场停止的秩序。然而，新兴集群与\textit{General Industry Classification Standard}的比较给人的印象是，工业部门在这一顺序中没有发挥主要作用。
2018-12-16 q-fin.ST
FinBERT-LSTM: Deep Learning based stock price prediction using News Sentiment Analysis
SRM Institute of Science and Technology（SRM科学技术研究所）
经济严重依赖股票市场。上升趋势通常对应于繁荣，而下降趋势则与衰退相关。因此，长期以来，预测股票市场一直是研究和实验的中心。能够预测市场的短期走势使投资者能够从投资中获得更大的回报。股票价格极不稳定，对金融市场十分敏感。在本文中，我们使用深度学习网络来预测股票价格，吸收金融，商业和技术新闻文章，这些文章提供了有关市场的信息。首先，我们创建了一个简单的多层感知器（MLP）网络，然后扩展到更复杂的递归神经网络（RNN），如长短期记忆（LSTM），最后提出了FinBERT-LSTM模型，该模型通过分析短期市场信息，整合新闻文章情绪来更准确地预测股票价格。然后，我们在NASDAQ-100指数股票数据和纽约时报新闻文章上训练模型，以使用平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和准确性指标来评估MLP、LSTM、FinBERT-LSTM模型的性能。
2022-11-11 cs.LG q-fin.ST
A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News
Georgia State University（佐治亚州立大学）
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。
2020-07-23 cs.LG q-fin.ST
