Identifying Real Estate Opportunities using Machine Learning
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Rentier Token（Rentier Token公司）；Colegio Universitario de Estudios Financieros（金融研究大学学院）
由于与许多变量存在相关性，房地产市场面临许多价格波动，其中一些变量无法控制，甚至可能是未知的。房价可能会迅速上涨（或者在某些情况下，也会快速下跌），但网上出售或出租房屋的众多房源不太可能经常更新。在某些情况下，有兴趣出售房屋（或公寓）的个人可能会将其包含在某些在线列表中，而忘记更新价格。在其他情况下，出于各种原因，有些人可能有意将价格设定在市场价格以下，以便更快地出售房屋。在本文中，我们的目标是开发一个机器学习应用程序，实时识别房地产市场中的机会，即，以远低于市场价的价格挂牌出售的房屋。该计划可能对对房地产市场感兴趣的投资者有用。我们专注于一个用例，考虑位于马德里（西班牙）萨拉曼卡区的房地产资产，并在最相关的西班牙在线网站上列出房屋销售和租赁。该应用程序被正式实现为一个回归问题，该问题试图估计从公共在线列表中检索到的房屋的市场价格。为了构建这个应用程序，我们已经执行了一个功能工程阶段，以发现允许实现高预测性能的相关功能。已经测试了几种机器学习算法，包括回归树、k-最近邻、支持向量机和神经网络，确定了每种算法的优点和缺点。
2018-11-21 cs.LG stat.AP stat.ML
Predicting House Rental Prices in Ghana Using Machine Learning
Epigos AI
本研究针对加纳住房市场缺乏准确可及的租赁价格信息的问题，采用机器学习模型基于综合租赁数据集预测租金，发现CatBoost表现最优（$R^2$达0.876），并明确了位置、户型等关键价格驱动因素，为相关利益方提供参考。
2025-01-08 cs.LG stat.AP
Uncertainty quantification in automated valuation models with spatially weighted conformal prediction
University of Oslo（奥斯陆大学）；North Carolina State University（北卡罗来纳州立大学）
针对房价预测中保形预测置信集因空间依赖性而校准不均的问题，提出基于空间加权非一致性分数的校准方法，并在奥斯陆房地产数据及模拟研究中验证了其能提升地理区域间覆盖范围的一致性。
2025-01-30 cs.LG stat.AP stat.ML
Machine Learning Fairness in House Price Prediction: A Case Study of America's Expanding Metropolises
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜拉赫曼·本·费萨尔大学）；The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本文针对美国大都市房价预测的ML模型种族偏见问题，构建多模型开展公平性评估，验证了不同偏见缓解方案的效果差异，发现处理中方法整体优于预处理方法。
2025-06-13 cs.LG
Machine Learning-based EEG Applications and Markets
本文讨论了各种EEG应用和当前由机器学习推动的EEG市场生态系统。越来越多的使用EEG的开放式医疗和健康数据集鼓励数据驱动的研究，并有望通过知识发现和机器学习数据科学算法开发来改善患者护理的神经病学。这一努力导致了各种EEG的发展，目前形成了一个新的EEG市场。本文试图对EEG市场进行全面调查，涵盖EEG的六个重要应用，包括诊断/筛查，药物开发，神经营销，日常健康，Metaverse和年龄/残疾援助。本次调查的重点是研究领域与商业市场的比较和对比。我们的调查指出了EEG目前的局限性，并指出了上述每个EEG应用的未来研究方向和商业机会。根据我们的调查，对基于机器学习的EEG应用的更多研究将导致一个更强大的EEG相关市场。更多的公司将使用这项研究技术，并将其应用于现实生活中。随着EEG相关市场的增长，EEG相关设备将收集更多的EEG数据，并且将有更多的EEG数据可供研究人员在他们的研究中使用，这将成为一个良性循环。我们的市场分析表明，在上述六种应用中使用EEG数据和机器学习的相关研究表明，EEG生态系统和机器学习世界的增长和发展趋势明显。
2022-08-10 cs.LG stat.ML
Collaborative Machine Learning Markets with Data-Replication-Robust Payments
Microsoft Research（微软研究院）
我们研究协作机器学习市场的问题，其中多方可以通过结合他们的训练数据来提高他们的机器学习任务的性能。我们讨论了这些机器学习市场的公平收入分配和潜在威胁，包括数据复制方面的理想属性。然后，我们实例化一个协作市场的情况下，各方共享一个共同的机器学习任务和各方的任务是不同的。我们的市场激励各方提交高质量的培训和真实的验证数据。为此，我们引入了一种新的支付划分功能，该功能对复制和定制输出模型具有鲁棒性，仅在请求的机器学习任务上表现良好。在实验中，我们验证了我们的理论分析的假设，并表明这些是近似满足常用的机器学习模型。
2019-11-08 cs.GT cs.LG stat.ML
Multi-period Trading Prediction Markets with Connections to Machine Learning
The University of Edinburgh（爱丁堡大学）
我们提出了一个新的预测市场模型，在该模型中，我们使用风险措施来模拟代理人，并引入一个做市商来描述交易过程。这种对建模工具的特定选择给我们带来了数学上的方便。分析表明，整个市场有效地接近一个全球目标，尽管市场的设计，每个代理人只关心自己的目标。此外，市场动态为优化全球目标提供了一个合理的算法。因此，机器学习和我们的市场之间建立了密切的联系，这样我们就可以1）通过将机器学习方法应用于全球目标来分析市场，2）通过建立和运行某些市场来解决机器学习问题。
2014-03-04 cs.GT cs.LG q-fin.TR
Isoelastic Agents and Wealth Updates in Machine Learning Markets
University of Edinburgh（爱丁堡大学）
最近，预测市场已经显示出为机器学习开发灵活机制的相当大的希望。在本文中，代理与等弹性效用被认为是。结果表明，与同质市场的代理商与isoelastic公用事业的成本产生均衡价格对应的α-混合物，与一个特定形式的混合成分有关的每个代理商的财富。我们还证明了对数和其他等弹性代理的财富积累（通过预测训练目标的回报）可以通过施加不同的市场回报结构来实现贝叶斯模型更新和混合权重更新。给出了市场均衡计算的迭代算法。我们证明了具有等弹性效用的代理商的非均匀市场在一些机器学习基准上优于最先进的聚合分类器，如随机森林，以及单个分类器（神经网络，决策树），并表明等弹性组合方法通常优于对数方法。
2012-09-04 cs.GT cs.LG stat.ML
Data-Driven Market Segmentation in Hospitality Using Unsupervised Machine Learning
Ireckonu（Ireckonu公司）；Vrije Universiteit（阿姆斯特丹自由大学）
在酒店业，营销部门使用细分来创建量身定制的策略，以确保个性化的营销。本研究提供了一种数据驱动的方法，通过分层聚类分割客人的个人资料，基于一组广泛的功能。该行业需要可理解的结果，有助于营销部门做出数据驱动的决策并最终推动利润。市场营销部门指定了一个业务问题，用于指导无监督机器学习算法。客人的特征随着时间的推移而变化;因此，客人有可能从一个细分市场过渡到另一个细分市场。该研究的目的是提供从原始数据到可操作见解的过程中的步骤，这些步骤可以作为酒店公司如何采用算法方法的指南。
2021-11-04 cs.LG
Predicting the Past: Estimating Historical Appraisals with OCR and Machine Learning
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
提出结合 OCR 与机器学习的两阶段方法数字化历史房产评估记录，构建数据集并利用回归模型估计缺失值，助力分析红线政策的历史影响。
2025-05-30 cs.LG
Predicting Rental Price of Lane Houses in Shanghai with Machine Learning Methods and Large Language Models
Shanghai International Studies University（上海外国语大学）
本研究利用五种传统机器学习方法和ChatGPT大型语言模型预测上海里弄房屋租金，发现随机森林在传统方法中表现最佳，而LLM在10-shot场景下R平方值超越传统方法，表明其提升预测准确性的潜力。
2024-05-26 cs.CL cs.LG
A comparative study of Different Machine Learning Regressors For Stock Market Prediction
Punjab University Lahore（拉合尔旁遮普大学）
为了制定成功的股票交易策略，预测股票市场指数的走势是很重要的。有效的股票收盘价预测可以保证投资者获得有吸引力的收益。机器学习算法能够处理和预测历史股票模式的几乎可靠的收盘价。在本文中，我们深入研究了纳斯达克股票市场，并有针对性地选择了十家不同行业的公司的投资组合。目标是利用历史数据计算第二天股票的开盘价。为了完成这项任务，九种不同的机器学习回归器应用于这些数据，并使用MSE和R2作为性能指标进行评估。
2021-04-14 cs.LG q-fin.ST
Machine learning applications for electricity market agent-based models: A systematic literature review
Imperial College London（伦敦帝国学院）；Newcastle University（纽卡斯尔大学）
电力市场在能源系统脱碳方面发挥着至关重要的作用。然而，电力市场是由许多不同的变量和数据输入。这些变量和数据输入的行为有时是不可预测的，无法事先预测。因此，有人建议，基于代理的模拟被用来更好地了解电力市场的动态。基于代理的模型提供了整合机器学习和人工智能的机会，以增加智能，做出更好的预测，并以更好、更有效的方式控制电力市场。在这篇系统的文献综述中，我们回顾了2016年至2021年间发表的55篇论文，这些论文主要关注应用于基于代理的电力市场模型的机器学习。我们发现，研究集群围绕热门话题，如投标策略。然而，存在不同的研究应用的长尾，可以从更多研究应用的高强度研究中受益。
2022-06-05 cs.LG cs.MA
An Optimal House Price Prediction Algorithm: XGBoost
Sheffield Hallam University（谢菲尔德哈勒姆大学）；University of Brighton（布莱顿大学）
针对房价预测，本文比较多种机器学习算法，利用爱荷华州埃姆斯市数据集，发现XGBoost表现最优，并识别影响房价的关键因素。
2024-02-06 cs.AI cs.LG stat.AP
Validating Weak-form Market Efficiency in United States Stock Markets with Trend Deterministic Price Data and Machine Learning
DePauw University（迪堡大学）
有效市场假说几十年来一直是经济学研究的主要内容。特别是，弱式市场有效性-即过去的价格不能预测未来的表现-得到了计量经济学证据的有力支持。相比之下，用于预测股票价格的机器学习算法在不同程度上被吹捧为成功的。此外，一些数据科学家吹嘘自己有能力仅使用价格数据就获得高于市场的回报。本研究试图将现有的弱式有效市场的计量经济学研究与算法交易中的数据科学创新联系起来。首先，在过去十年中，股票指数价格的平稳性进行了传统的探索与增广Dickey-Fuller和方差比测试。然后，使用五种机器学习算法实现了一个算法交易平台。计量经济学的研究结果确定了潜在的平稳性，暗示技术评估可能是可能的，尽管算法交易结果在任何机器学习模型中几乎没有预测能力，即使使用特定趋势的指标。考虑到交易成本和风险，没有一个系统能持续获得高于市场的回报。我们的研究结果加强了弱式市场有效性的有效性。
2019-09-11 cs.CE cs.LG econ.EM
Modeling Market States with Clustering and State Machines
Grupo de Neurocomputación Biológica, Departamento de Ingeniería Informática, Escuela Politécnica Superior, Universidad Autónoma de Madrid（生物神经计算组、工程学院信息系、高等理工大学、马德里自治大学）
本研究提出一种基于聚类和可解释概率状态机的金融市场建模框架，通过多时间维度动量和风险特征聚类识别市场状态，构建的状态机生成的收益分布在捕捉收益统计特性上优于传统方法，且鲁棒性良好。
2025-10-01 cs.CE cs.LG
Subjective Metrics-based Cloud Market Performance Prediction
RMIT University（皇家墨尔本理工大学）
本文探讨了一种有效的机器学习方法，以预测基于社会媒体的云消费者，提供商和投资者的云市场表现。我们通过文献调查确定了一组可能影响云市场表现的全面主观指标。我们使用了一种流行的情感分析技术来处理从社交媒体收集的客户评论。云市场收入增长被选为云市场表现的指标。我们将亚马逊网络服务的收入增长视为我们实验的利益相关者。选择了三种机器学习模型：线性回归、人工神经网络和支持向量机。这些模型与时间序列预测模型进行了比较。我们发现，主观度量集能够提高所有模型的预测性能。与其他模型相比，支持向量机的预测结果最好。
2020-09-21 cs.LG cs.SI
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
Design and Optimization of Big Data and Machine Learning-Based Risk Monitoring System in Financial Markets
Washington University in St. Louis（圣路易斯华盛顿大学）；Columbia University（哥伦比亚大学）；Northeastern University（东北大学）
本文设计并优化了一个基于大数据和机器学习的四层架构风险监控系统，采用LSTM、随机森林、梯度提升树和Apache Flink等技术，显著提升了金融机构风险管理的效率与准确性，尤其在市场崩盘风险预警方面表现卓越。
2024-07-28 cs.LG q-fin.RM
Semi-strong Efficient Market of Bitcoin and Twitter: an Analysis of Semantic Vector Spaces of Extracted Keywords and Light Gradient Boosting Machine Models
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Khalifa University（哈利法大学）
本研究通过分析2870万条Twitter推文，利用关键词语义向量空间和LGBM模型检验比特币市场的半强有效性，发现1小时至每日的市场走势中78%-94%可由公开信息解释。
2024-09-24 cs.LG econ.GN q-fin.EC
Forecasting Financial Market Structure from Network Features using Machine Learning
University of São Paulo（圣保罗大学）；Federal Institute of South of Minas Gerais（南米纳斯吉拉斯联邦学院）；University College London（伦敦大学学院）；University of Porto（波尔图大学）
我们提出了一个模型，该模型使用机器学习从基于链接和节点的金融网络特征预测市场相关性结构。因此，市场结构被建模为一个动态的资产网络，通过量化全球主要市场指数的公司成分之间的资产价格回报的随时间变化的共同运动。我们使用三种不同的网络过滤方法来估计市场结构，即动态资产图（DAG），动态最小生成树（DMST）和动态阈值网络（DTN）提供实证证据。实验结果表明，该模型可以预测市场结构具有较高的预测性能与高达$40\%$改进的时不变的相关性为基础的基准。与传统的成对相关性度量相比，非成对相关性特征对所有研究的市场都很重要，特别是在股票市场结构的长期预测中。证据提供了股票成分的DAX30，EUROSTOXX50，FTSE100，恒生50，纳斯达克100和NIFTY50市场指数。研究结果可用于改进投资组合选择和风险管理方法，这些方法通常依赖于向后看的协方差矩阵来估计投资组合风险。
2021-10-22 cs.LG cs.SI q-fin.CP
A Machine Learning Framework to Deconstruct the Primary Drivers for Electricity Market Price Events
Pacific Northwest National Laboratory（太平洋西北国家实验室）
本文提出一个基于机器学习的分析框架，用于解构高可再生能源现代电力市场中价格飙升事件的主要驱动因素，并应用于CAISO和ISO-NE数据集验证其有效性。
2023-09-12 cs.AI cs.CY cs.LG
A Machine Learning Approach for Prosumer Management in Intraday Electricity Markets
KTH Royal Institute of Technology（瑞典皇家理工学院）
Prosumer运营商正在应对参与短期电力市场的广泛挑战，同时考虑到不确定性。需求、太阳能、风能和电价变化以及日内电力市场更快的响应时间等挑战。机器学习方法可以解决这些挑战，因为它们能够持续学习复杂关系并提供实时响应。这种方法适用于高性能计算和大数据的存在。为了应对这些挑战，提出了一个马尔可夫决策过程，并解决了强化学习算法与适当的观察和行动，采用表格Q学习。训练后的智能体收敛到一个类似于全局最优解的策略。与著名的随机优化方法相比，它使生产者的利润增加了13.39%。
2022-03-11 cs.AI cs.LG cs.SY
Volume-Centred Range Bars: Novel Interpretable Representation of Financial Markets Designed for Machine Learning Applications
Newcastle University（纽卡斯尔大学）；University of Edinburgh（爱丁堡大学）
金融市场是非平稳多维时间序列的来源，几十年来一直受到人们的关注。每种金融工具都有其特定的随时间变化的特性，这使得分析成为一项复杂的任务。因此，提高理解和发展更多的信息，概括性的市场表现是在金融市场，包括风险评估，多样化，交易和订单执行的成功运作的关键。在这项研究中，我们提出了一个基于量价的市场表示，使金融时间序列更适合机器学习管道。我们使用统计方法来评估代表性。通过研究问题，我们调查，i）所提出的表示是否允许更有效地设计机器学习模型; ii）所提出的表示是否导致价格水平市场模式的性能提高; iii）所提出的表示是否在流动性市场上表现更好，以及iv）SHAP特征交互是否可靠，可以在所考虑的设置中使用。我们的分析表明，所提出的基于量的方法可以成功的金融时间序列模式的分类，也导致更好的分类性能比基于价格水平的方法，特别是在流动性更强的金融工具。最后，我们提出了一种直接从基于树的模型中获得特征交互的方法，并将结果与SHAP方法进行了比较。这导致这两种方法之间存在显着的相似性，因此我们声称SHAP特征相互作用对于在金融市场环境中使用是可靠的。
2022-05-08 cs.AI cs.LG cs.SY
