Transformers versus LSTMs for electronic trading
Imperial College London（帝国理工学院）
本文基于高频限价订单簿数据，系统对比了LSTM与Transformer在金融时间序列预测中的表现，提出DLSTM新模型，发现LSTM在差分序列预测上更稳健，而Transformer仅在绝对价格预测上有有限优势。
2023-09-20 cs.LG econ.EM q-fin.ST
Forecasting Economics and Financial Time Series: ARIMA vs. LSTM
Texas Tech University（得克萨斯理工大学）
时间序列数据预测是经济、商业和金融领域的重要课题。传统上，有几种技术可以有效地预测时间序列数据的下一个滞后，例如单变量自回归（AR），单变量移动平均（MA），简单指数平滑（SES），更值得注意的是自回归积分移动平均（ARIMA）及其许多变化。特别是ARIMA模型在预测时间序列下一个滞后的精度和准确性方面表现出了优异的性能。随着计算机计算能力的最新进步，更重要的是开发了更先进的机器学习算法和方法，例如深度学习，开发了新的算法来预测时间序列数据。本文研究的问题是，新开发的基于深度学习的时间序列数据预测算法，如“长短期记忆（LSTM）"，是否以及如何优于传统算法。本文中进行和报告的实证研究表明，基于深度学习的算法（如LSTM）优于基于传统的算法（如ARIMA模型）。更具体地说，与ARIMA相比，LSTM获得的出错率平均降低了84 - 87%，表明LSTM优于ARIMA。此外，注意到训练次数（在深度学习中称为“epoch”）对训练的预测模型的性能没有影响，并且它表现出真正的随机行为。
2018-03-16 cs.LG q-fin.ST stat.ML
Long Short-Term Memory Neural Network for Financial Time Series
业绩预测是经济学和金融学中一个古老的问题。最近，机器学习和神经网络的发展产生了非线性时间序列模型，这些模型为传统的分析方法提供了现代和有前途的替代方案。在本文中，我们提出了一个独立和并行的长短期记忆（LSTM）神经网络集成，用于预测股票价格走势。由于LSTM能够合并过去的信息，因此LSTM已被证明特别适合于时间序列数据，而神经网络集成已被发现可以减少结果的可变性并提高泛化能力。一个二进制分类问题的基础上的中位数的回报，和合奏的预测取决于一个阈值，这是所需的最小数量的LSTM同意的结果。该模型适用于较小，效率较低的斯德哥尔摩OMX30，而不是其他主要的市场指数，如DJIA和标准普尔500常见的文献中的成分。通过简单的交易策略，与随机选择的投资组合和包含指数中所有股票的投资组合的比较表明，LSTM集合产生的投资组合提供了更好的平均每日回报和更高的累积回报。此外，LSTM投资组合也表现出更低的波动性，从而导致更高的风险回报率。
2022-01-20 cs.LG q-fin.ST
Cross-Sectional Heterogeneity in LSTM Networks for Financial Time Series
Technical University of Darmstadt（达姆施塔特工业大学）；Department of Law and Economics（法律与经济系）
针对金融时间序列预测中LSTM难处理横截面异质性的问题，本文提出含可学习行业嵌入的扩展LSTM模型，结合宏观金融协变量，在标普500成分股多空策略中表现优于基准模型，还通过可视化和贡献指标提升了可解释性。
2026-08-14 q-fin.ST
BERT-based Financial Sentiment Index and LSTM-based Stock Return Predictability
传统的金融情感构建严重依赖于基于字典的方法，除了少数例外，使用简单的机器学习技术，如朴素贝叶斯分类器。鉴于自然语言处理技术的快速发展，本研究采用Google开发的预训练模型BERT构建了一个基于文本的情绪指数，特别是针对香港市场上三只交易活跃的个股，同时又是微博上的热门话题。一方面，我们证明了一个显着的增强应用BERT在金融情绪分析相比，现有的模型。另一方面，通过结合金融文献中构建情绪指数时常用的另外两种方法，期权隐含方法和市场隐含方法，我们提出了一个更一般和全面的金融情绪分析框架，并通过结合LSTM（具有非线性映射的特征）进一步为个股收益的可预测性提供令人信服的结果。这与情绪影响分析中的主流计量经济学方法都具有线性回归的性质有着显著的区别。
2022-07-07 q-fin.GN q-fin.ST
VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion
Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校）
VertiFuseX提出一种混合LSTM架构，通过倒数第二层垂直融合多尺度时间表示，在固定超参数下提升金融预测的准确性和泛化能力，显著降低预测误差并支持轻量部署。
2026-09-14 cs.LG 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
Comparative analysis of financial data differentiation techniques using LSTM neural network
本研究比较了传统对数收益与分数差分及其温度扩展方法在LSTM预测中的效果，发现分数差分能提升预测性能并有助于构建盈利交易策略。
2025-05-25 econ.EM q-fin.CP q-fin.ST
Combination of window-sliding and prediction range method based on LSTM model for predicting cryptocurrency
本研究的目的是建立基于金融理论的加密货币价格趋势模型，使用LSTM模型，在窗口长度和预测范围之间进行多种组合，还应用了随机游走模型，并设置了不同的参数。
2021-02-09 q-fin.ST
AMA-LSTM: Pioneering Robust and Fair Financial Audio Analysis for Stock Volatility Prediction
Virginia Tech（弗吉尼亚理工大学）；Texas A&M University - Corpus Christi（德州农工大学科珀斯克里斯蒂分校）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出AMA-LSTM模型，通过对抗训练生成扰动以模拟股市随机性和性别偏见，从而提升多模态股票波动率预测模型的稳健性与公平性，并在真实金融音频数据集上超越了现有最先进方法。
2024-07-03 cs.CL cs.LG eess.AS
Stock Price Prediction Using a Hybrid LSTM-GNN Model: Integrating Time-Series and Graph-Based Analysis
University of Reading（雷丁大学）；University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
本研究提出融合LSTM与GNN的混合股价预测模型，结合时序特征与股票间关联关系，经扩展窗口验证训练，在历史股票数据上MSE达0.00144，较单一LSTM降低10.6%，优于多个基准模型，为金融分析与实时交易提供新工具。
2025-02-19 cs.AI cs.LG q-fin.ST
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
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
Copula Variational LSTM for High-dimensional Cross-market Multivariate Dependence Modeling
School of Computer Science, University of Technology Sydney, Australia（澳大利亚悉尼科技大学计算机科学学院）
针对跨市场金融指标的高维依赖建模难题，提出WPVC-VLSTM，融合变分LSTM与正则藤copula，刻画非正态多变量间的动态依赖，在跨市场投资组合预测中优于多种基准模型。
2023-05-09 cs.AI cs.LG q-fin.ST
Comparative Analysis of LSTM, GRU, and Transformer Models for Stock Price Prediction
University of Connecticut（康涅狄格大学）；University of Rochester（罗切斯特大学）；Northeastern University（东北大学）
本文以AI驱动的股票价格趋势预测为核心，使用特斯拉2015至2024年数据比较了LSTM、GRU和Transformer模型，实验表明LSTM模型准确率达94%，有助于投资者做出明智决策。
2024-10-20 cs.LG q-fin.ST
Unified GARCH-Recurrent Neural Network in Financial Volatility Forecasting
本文提出GARCH-GRU和GARCH-LSTM模型，通过整合GARCH(1,1)动态提升金融波动预测的准确性、效率和稳健性。
2025-11-21 q-fin.RM q-fin.ST
Univariate and Multivariate LSTM Model for Short-Term Stock Market Prediction
NIT Hamirpur（国家理工学院哈米尔布尔分校）
长期以来，设计鲁棒且准确的预测模型一直是一个可行的研究领域。虽然功能良好的市场预测者的支持者认为很难准确地预测市场价格，但许多学者不同意。强大而准确的预测系统不仅有助于企业，也有助于个人进行金融投资。本文提出了一个具有两种不同输入方法的LSTM模型，用于预测两家印度公司Reliance Industries和Infosys Ltd.的短期股票价格。从雅虎财经网站上获取了10年（2012-2021）的历史数据，对所提出的方法进行了分析。在第一种方法中，两个选定公司的收盘价直接应用于单变量LSTM模型。对于第二种方法，技术指标值是从收盘价计算出来的，然后集中应用于多变量LSTM模型。对未来几天的短期市场行为进行评估。实验结果表明，方法一对于确定未来趋势是有用的，但是具有技术指标的多变量LSTM模型对于准确预测未来价格行为是有用的。
2022-05-08 cs.AI cs.LG q-fin.ST
Sequential Structure in Intraday Futures Data: LSTM vs Gradient Boosting on MNQ
Independent Researcher（独立研究者）
本文比较了梯度提升和长短期记忆（LSTM）架构在Micro E-Mini纳斯达克100期货（MNQ）日内方向预测中的表现，探讨了五分钟OHLCV棒序列在单个仪器数据集规模下是否具有可利用的序列预测结构。
2026-05-18 cs.LG q-fin.CP q-fin.ST
The Interpretability of LSTM Models for Predicting Oil Company Stocks: Impact of Correlated Features
K. N. Toosi University of Technology（K.N.图斯工业大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
本研究通过设计标准LSTM网络并使用相关数据集训练，探讨相关特征对石油公司股票预测模型可解释性的影响，发现添加相关特征不提升可解释性，提示LSTM模型在股票预测中可解释性有限，需谨慎依赖。
2023-12-20 cs.AI q-fin.ST
StockBot: Using LSTMs to Predict Stock Prices
已经尝试使用许多方法来评估金融市场以预测其行为，从而做出明智和有利可图的投资决策。由于高度非线性的趋势和相互依赖性，往往很难制定一个统计方法来阐明整个市场行为。为此，我们提出了一个基于长短期记忆（LSTM）的模型，该模型利用时间序列数据的序列结构来提供准确的市场预测。然后，我们开发了一个决策StockBot，在一天结束时买入/卖出股票，目标是利润最大化。我们成功地展示了一个准确的预测模型，因此我们的StockBot可以超越市场，并可以制定策略，获得比市场上最激进的ETF高出约15倍的收益。
2022-07-30 q-fin.ST
Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning
The Chinese University of Hong Kong（香港中文大学）；Tencent AI Lab（腾讯人工智能实验室）；City University of Hong Kong（香港城市大学）
我们提出一个简约分位数回归框架来学习金融资产收益率的动态尾部行为。我们的模型很好地捕捉了金融时间序列的时变特性和非对称重尾特性。它结合了流行的顺序神经网络模型的优点，即，LSTM，我们构造了一个新的参数分位数函数来表示资产收益的条件分布。我们的模型还单独捕获了高阶矩的序列依赖性，而不仅仅是波动性。在广泛的资产类别中，我们的模型的条件分位数或VaR的样本外预测优于Gestival家族。此外，所提出的方法不会遭受的问题，分位数交叉，也没有暴露的不适定性相比，参数概率密度函数的方法。
2020-10-16 cs.LG q-fin.RM q-fin.ST
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
Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach
Independent Researcher（独立研究者）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Southern Methodist University（南卫理公会大学）；Shanghai University of Finance and Economics（上海财经大学）
本文提出混合机器学习算法比较研究以预测比特币价格并提升可解释性，引入OLS、LASSO、LSTM和决策树，实验表明线性回归性能最佳，并系统概述时间序列预处理技术以挖掘复杂模式。
2023-12-31 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
HQNN-FSP: A Hybrid Classical-Quantum Neural Network for Regression-Based Financial Stock Market Prediction
Indian Institute of Technology (BHU)（印度理工学院（瓦拉纳西））；New York University Abu Dhabi (NYUAD)（纽约大学阿布扎比分校）；NYUAD Research Institute（纽约大学阿布扎比分校研究院）
针对金融时间序列预测难题，本研究提出名为HQNN-FSP的经典-量子混合神经网络，含定制QNN回归器与两种混合优化策略，实验验证其可有效将量子计算融入金融预测工作流。
2025-03-19 cs.LG q-fin.ST quant-ph
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
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
A new approach for trading based on Long Short Term Memory technique
National School for Computer Science and Systems analysis（国家计算机科学与系统分析学院）；Mohamed V University（穆罕默德五世大学）
股票市场预测一直是利益相关者、交易者和投资者的关键。我们开发了一个集合长短期记忆（LSTM）模型，包括两个时间频率（年度和每日参数），以预测第二天的收盘价（提前一步）。基于四步方法，该方法是两种LSTM算法的串行组合。本文对417家纽约证券交易所上市公司进行了实证研究。基于开盘高、收盘低指标和其他财务指标，该方法证明了股票市场预测的改进。
2020-01-10 cs.LG q-fin.ST
Financial Time Series Analysis and Forecasting with HHT Feature Generation and Machine Learning
提出了一种基于互补集合经验模式分解（CEEMD）和希尔伯特-黄变换（HHT）的非平稳金融时间序列分析方法。这种噪声辅助的方法将任何时间序列分解成许多固有模式函数，以及相应的瞬时幅度和瞬时频率。模式的不同组合允许我们使用不同时间尺度的分量来重建时间序列。然后，我们应用希尔伯特谱分析来定义和计算相关的瞬时能量频谱，以说明嵌入在原始时间序列中的各种时间尺度的属性。使用HHT，我们生成一组新特征，并将它们集成到机器学习模型中，例如回归树集成、支持向量机（SVM）和长短期记忆（LSTM）神经网络。使用经验金融数据，我们比较了几个HHT增强的机器学习模型的预测性能。
2021-05-23 q-fin.CP q-fin.ST
Deep Recurrent Factor Model: Interpretable Non-Linear and Time-Varying Multi-Factor Model
Nomura Asset Management Co., Ltd.（野村资产管理有限公司）；School of Engineering, The University of Tokyo（东京大学工学部）
线性多因素模型是股票投资组合管理中最重要的工具之一。线性多因素模型因其易于解释而被广泛应用。然而，金融市场不是线性的，其准确性是有限的。最近，深度学习方法被提出来预测股票收益率的多因素模型。虽然这些方法表现相当不错，但它们有明显的缺点，如缺乏透明度和预测的可解释性的限制。因此，机构投资者很难在实际投资实践中使用黑箱型机器学习技术，因为他们应该对客户负责。因此，我们提出的解决方案基于LSTM和LRP。具体来说，我们使用LSTM将线性多因素模型扩展为非线性和时变模型。然后，我们通过LRP近似和线性化学习的LSTM模型。我们将这种LSTM+LRP模型称为深度递归因子模型。最后，我们对日本股市进行了实证分析，结果表明，我们的递归模型比传统的线性模型和全连接深度学习方法具有更好的预测能力。
2019-01-20 cs.LG q-fin.ST
Event-Driven LSTM For Forex Price Prediction
人工智能引导的金融交易领域的大多数研究都集中在纯粹将机器学习算法应用于连续的历史价格和技术分析数据。然而，由于外汇市场的非平稳性和高波动性，大多数算法在实际应用中失败。我们开发了新的事件驱动的功能，这表明趋势的方向变化。然后，我们构建长期深度学习模型来预测回撤点，提供完美的切入点以获得最大利润。我们使用一个简单的递归神经网络（RNN）作为我们的基线模型，并与短期记忆（LSTM），双向长短期记忆（BiLSTM）和门控递归单元（GRU）进行比较。我们的实验结果表明，所提出的事件驱动的特征选择与所提出的模型可以形成一个强大的预测系统，支持准确的交易策略以最小的风险。我们对欧元/英镑货币15分钟间隔数据的最佳模型实现了RME 0.006x10^（-3），RMSE 2.407x10^（-3），MAE 1.708x10^（-3），MAPE 0.194%，优于先前的研究。
2021-01-29 q-fin.ST
Previsão dos preços de abertura, mínima e máxima de índices de mercados financeiros usando a associação de redes neurais LSTM
为了做出好的投资决策，投资者知道如何对金融时间序列进行好的分析是至关重要的。在这种情况下，对股票价格的价值和趋势的预测研究变得更加相关。目前，有不同的方法来处理这项任务。两个主要的是股票价格和技术指标的历史分析，以及对市场的新闻，博客和推文中的情绪分析。一些最常用的统计和人工智能技术是遗传算法，支持向量机（SVM）和人工神经网络的不同架构。这项工作提出了一种基于三个不同LSTM神经网络关联的模型的改进，每个神经网络并行预测分析后第二天证券交易所指数的开盘价、最低价和最高价。该数据集由全球最大的证券交易所的10多个指数的历史数据组成。结果表明，该模型能够预测趋势和股票价格与合理的准确性。
2021-07-29 q-fin.ST
Exploiting Supply Chain Interdependencies for Stock Return Prediction: A Full-State Graph Convolutional LSTM
Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学）
本文提出FS-GCLSTM模型，通过整合价值链关系与图卷积机制，提升股票收益率预测的准确性与投资回报率。
2025-12-07 cs.LG q-fin.CP q-fin.ST
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
Beyond Sequential Prediction: Learning Financial Market Dynamics in Volatile and Non-Stationary Environments through Sentiment-Conditioned Generative Modelling
Department of Mechanical Engineering and Aeronautics, University of Patras（帕特拉斯大学机械工程与航空系）；FICC Market Risk, BNP Paribas CIB（BNP巴黎银行投行部市场风险部）
本文提出一种集成上下文对抗学习模型，结合生成对抗网络与自然语言处理获取的文本情感信息，提升股票价格预测的可靠性，实验证明其优于传统ARIMA和LSTM模型。
2026-05-04 cs.LG q-fin.ST
Leveraging Fundamental Analysis for Stock Trend Prediction for Profit
University of Indianapolis（印第安纳波利斯大学）
该研究基于基本面分析，利用财务数据和DCF模型构建两项股票趋势预测任务，对比三类机器学习模型后发现LR模型准确率最优，为基本面结合机器学习的股票预测及投资决策提供参考。
2024-10-04 cs.AI cs.LG q-fin.ST
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
Macro-aware time series forecasting via hierarchical mixed-frequency attention models
IME-USP（圣保罗大学数学、应用计算和统计研究所）；University of Oxford（牛津大学）；UCLA（加州大学洛杉矶分校）；Kyushu University（九州大学）
提出HANET（层次注意力网络），通过层次交叉注意力机制将低频宏观状态与高频资产收益结合，在多个资产类别上提升预测性能和风险调整收益。
2026-05-30 q-fin.CP q-fin.ST
