Multi-Scale RCNN Model for Financial Time-series Classification
Center for Intelligence of Science and Technology (CIST)(科学技术智能中心);Beijing University of Posts and Telecommunications(北京邮电大学)
金融时间序列分类(FTC)对于投资管理是非常有价值的。在过去的几十年里,它吸引了广泛的研究领域,特别是人工智能(AI)的大量关注。现有的研究主要集中在探讨金融时间序列的多尺度(MS)属性或时间依赖性(TD)的影响。不幸的是,大多数以前的研究未能有效地结合这两个属性,往往达不到准确性和盈利能力。为了有效地结合和利用金融时间序列的这两个属性,我们提出了一个多尺度时间依赖递归卷积神经网络(MSTD-RCNN)的FTC。在所提出的方法中,卷积单元同时提取MS特征,以精确描述金融市场的状态。此外,通过递归神经网络捕获不同尺度的TD和互补。在中国股市的三个金融时间序列数据集上对所提出的方法进行了评估。大量的实验结果表明,我们的模型达到了最先进的性能,在趋势分类和模拟交易,与经典和先进的基线模型。
2019-11-21 cs.LG q-fin.CP
A Stochastic Time Series Model for Predicting Financial Trends using NLP
University of California, Irvine(加州大学欧文分校);California State University, Los Angeles(加州州立大学洛杉矶分校)
股票价格预测是一个非常复杂和非常重要的研究领域。深度神经网络技术的最新进展使研究人员能够开发高度准确的模型来预测金融趋势。我们提出了一种新的深度学习模型,称为ST-GAN或随机时间序列生成对抗网络,它分析金融新闻文本和金融数值数据来预测股票趋势。我们利用生成对抗网络(GAN)等尖端技术来学习文本和数字数据之间的相关性。我们开发了一种新的方法来训练一个时间序列GAN直接使用学习表示的朴素贝叶斯的情绪分析的金融文本数据以及技术指标从数值数据。我们的实验结果表明,与现有的各种模型和之前对股票价格预测的深度神经网络的研究相比,有了显着的改进。
2021-02-02 cs.LG q-fin.CP
Generation of synthetic financial time series by diffusion models
针对现有生成模型难以同时满足金融时间序列程式化事实的问题,本文提出结合小波变换与DDPM,将多维金融序列转为图像生成并逆变换还原,验证其可再现肥尾、波动率聚集等特性。
2024-10-24 q-fin.CP q-fin.TR
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
Financial Fine-tuning a Large Time Series Model
Massachusetts Institute of Technology(麻省理工学院);Preferred Networks, Inc.(Preferred Networks公司)
针对直接用通用时间序列大模型TimesFM做金融价格预测效果不佳的问题,提出用1亿个多粒度金融时间点对其持续预训练微调,在预测精度和模拟交易多项指标上优于基准。
2024-12-13 cs.LG q-fin.CP
Natural Language Processing for Financial Regulation
Imperial College London(帝国理工学院);CNRS, Complex Systems Institute of Paris Île-de-France(法国国家科学研究中心巴黎法兰西岛复杂系统研究所);Oxford Man Institute of Quantitative Finance(牛津曼定量金融研究所)
本文探讨金融监管中无监督数据集下的语义匹配,提出利用免费资源超越预训练句子转换器,并解释NLP核心数学原理。
2023-11-14 cs.CL cs.LG q-fin.CP
The Statistical Significance of the Inclusion of Graph Neural Networks in the Financial Time Series Forecasting Problem
IMT School for Advanced Studies Lucca(卢卡高等研究学院);KU Leuven(荷语鲁汶大学);University of Chieti–Pescara(基耶蒂-佩斯卡拉大学)
本文研究了在时间序列分析中引入几何模式对预测准确性提升的统计显著性,提出了一种结合几何和时间模式的Time-Geometric模型,并通过大量实证评估证明了利用图神经网络捕捉几何模式能显著提高预测准确性。
2026-05-20 cs.CE q-fin.CP
Financial Time Series Forecasting: Semantic Analysis Of Economic News
提出了一种考虑新闻语义的金融时间序列预测方法。在对财经新闻进行语义分析时,以《Loughran McDonald Master Dictionary》为基础,形成了经济意义上的否定词和肯定词的样本。抽样包括金融市场新闻中出现频率高的词语。对于单词根词,只留下了允许一个请求覆盖几个词的公共部分。选择神经网络进行建模和预测。为了自动化从经济新闻中提取信息的过程,在MATLAB Simulink编程环境中开发了一个脚本,该脚本基于生成的正面和负面词的采样。不同架构的神经网络的实验研究表明,构建的模型具有很高的充分性,并证实了使用新闻源的信息来预测股票价格的可行性。
2017-05-23 q-fin.CP q-fin.GN
Simulating financial time series using attention
Columbia University(哥伦比亚大学);Zurich University of Applied Sciences(苏黎世应用科学大学)
金融时间序列模拟是一个中心议题,因为它扩展了有限的真实数据的培训和评估的交易策略。由于真实金融数据的复杂统计特性,这也是具有挑战性的。我们介绍了两种生成对抗网络(GANs),它们利用具有注意力的卷积网络和变压器,用于金融时间序列仿真。GANs以数据驱动的方式学习统计特性,注意力机制有助于复制长期依赖关系。在标准普尔500指数和期权数据上对所提出的GANs进行了测试,根据程式化事实进行了评分,并与纯卷积GAN(即QuantGAN)进行了比较。基于注意力的GANs不仅再现了程式化的事实,而且平滑了收益的自相关性。
2022-07-01 cs.LG q-fin.CP q-fin.ST
Time-Causal VAE: Robust Financial Time Series Generator
ETH Zürich(苏黎世联邦理工学院);University of Tübingen(蒂宾根大学)
本文提出时间因果变分自编码器(TC-VAE),通过因果约束和RealNVP先验生成稳健的金融时间序列,控制因果Wasserstein距离,实验验证其在合成与真实数据上的有效性。
2024-11-05 cs.LG q-fin.CP
FinZero: Launching Multi-modal Financial Time Series Forecast with Large Reasoning Model
Tsinghua University(清华大学);Pengcheng Laboratory(鹏城实验室);Guangming Laboratory(光明实验室);Ant Group(蚂蚁集团);Columbia University(哥伦比亚大学);Southern University of Science and Technology(南方科技大学)
针对金融时间序列预测中信息丢失、可扩展性受限及不确定性分析不足的问题,本文构建FVLDB数据集并提出UARPO方法,微调多模态模型FinZero,实现推理、预测与不确定性分析,较GPT-4o准确率提升约13.48%。
2025-09-10 cs.AI q-fin.CP
Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019
TOBB University of Economics and Technology(TOBB经济与技术大学)
金融时间序列预测由于其广泛的应用领域和巨大的影响力,无疑是学术界和金融业金融研究人员的首选计算智能。机器学习(ML)研究人员提出了各种模型,并相应地发表了大量研究。因此,有大量的调查涵盖了ML的金融时间序列预测研究。最近,深度学习(DL)模型开始出现在该领域,其结果显着优于传统的ML同行。尽管人们对开发金融时间序列预测研究模型的兴趣越来越大,但缺乏专门针对金融DL的综述论文。因此,我们在本文中的动机是提供一个全面的文献综述DL研究的金融时间序列预测的实现。我们不仅根据预期的预测实施领域(如指数、外汇、商品预测)对研究进行分类,还根据DL模型选择(如卷积神经网络(CNN)、深度信念网络(DBN)、长短期记忆(LSTM))对研究进行分组。我们还试图通过强调可能的挫折和机遇来展望该领域的未来,以便感兴趣的研究人员能够受益。
2019-11-29 cs.LG q-fin.CP stat.ML
Predictability of Volatility Homogenised Financial Time Series
将金融时间序列建模为一个较简单过程的时间变化,多年来已经以各种形式提出。最近的一种方法被称为波动均匀化分解,并已专门设计用于帮助预测金融市场的价格变化。作者的这种方法试图证明其有用性,通过应用一个特定的预测程序,并确定该程序的有效性分解的时间序列,与原始时间序列。这至少在两个方面是有问题的。首先,预测程序的选择显然对结果有影响,使其成为非详尽无遗的。第二,所获得的结果并不完全令人信服,有些值低于50%的猜测率。此外,只有9只澳大利亚股票受到调查,这进一步限制了这一证据的范围。在这项研究中,我们建议通过计算分解后的时间序列的可预测性,并将其与原始时间序列的可预测性进行比较,来发现波动均匀化的有用性。我们正在应用熵率的信息理论概念来量化可预测性,这保证了结果与特定的预测方法无关,此外,我们的计算基于华沙证券交易所的大量股票。
2014-06-29 q-fin.CP q-fin.ST
Multiresolution Signal Processing of Financial Market Objects
NVIDIA(英伟达)
多分辨率分析在复杂系统及其动力学的研究中有着广泛的应用。金融市场是我们环境中最复杂的实体之一,但主流的量化模型以预定的规模运行,依赖于线性相关性度量,并且难以识别非线性或因果结构。在本文中,我们结合了已知的神经网络捕捉非线性关联与多尺度分解,以促进更好地理解金融市场数据子结构。量化使我们的分解在每一个尺度上都与市场保持一致。我们在七个用例的上下文中说明了我们的方法。
2022-11-17 cs.LG eess.SP q-fin.CP
Graphical Models for Financial Time Series and Portfolio Selection
Carnegie Mellon University(卡内基梅隆大学)
我们研究了各种图形模型来构建最优投资组合。PCA-K均值、自动编码器、动态聚类和结构学习等图形模型可以捕获协方差矩阵中的时变模式,并允许创建最佳和鲁棒的投资组合。我们比较了不同模型的投资组合与基线方法。在许多情况下,我们的图形策略以低风险产生稳定增长的回报,并超越了标准普尔500指数。这项工作表明,图形模型可以有效地学习时间序列数据中的时间依赖关系,并被证明是有用的资产管理。
2021-01-22 cs.LG q-fin.CP
Systematic comparison of deep generative models applied to multivariate financial time series
本研究针对多元金融时间序列生成任务,系统对比深度生成模型与主流参数化模型,经合成数据与实证交易任务验证,证明深度生成模型具备应用优势。
2024-12-09 q-fin.CP q-fin.ST
FinCast: A Foundation Model for Financial Time-Series Forecasting
School of Computer Science(计算机科学系);The University of Sydney(悉尼大学)
本文提出首个面向金融时间序列预测的基础模型 FinCast,通过大规模金融数据训练,在无需领域特定微调的情况下实现强大零样本预测性能,超越现有最先进方法。
2025-08-27 cs.AI cs.LG q-fin.CP
StockEmotions: Discover Investor Emotions for Financial Sentiment Analysis and Multivariate Time Series
The University of Sydney(悉尼大学);The University of Western Australia(西澳大学);KPMG Australia(毕马威澳大利亚)
本文提出StockEmotions数据集,包含来自StockTwits的1万条评论和12类细粒度投资者情绪,实验表明DistilBERT在情感分类中表现最佳,而融合价格、文本与情绪的时序注意力LSTM在多元时间序列预测中效果最优。
2023-02-06 cs.AI cs.CL cs.LG
A mathematical proof of the existence of trends in financial time series
通过证明金融时间序列中趋势的存在,我们正在解决量化金融中的一个长期争论,这要归功于卡地亚和Y。Perrin,用非标准分析的语言表达(有限集上的积分,F。& M. Diener(Eds):Nonstandard Analysis in Practice,Springer,1995,pp. 195- 204)。这些趋势可能与一些改变的随机游走范式和有效市场假说共存,但似乎很难与著名的布莱克-斯科尔斯模型相协调。他们估计通过最近的技术源于控制和信号理论。对各种金融量的预测进行了几个相当有说服力的计算机模拟。最后,我们讨论概率论的作用。
2009-01-14 cs.CE math.CA math.PR
A Financial Time Series Denoiser Based on Diffusion Model
King’s College London(伦敦国王学院)
本文提出利用条件扩散模型对金融时间序列进行去噪,以提升数据可预测性和交易表现,实验表明去噪数据能改善收益分类、提高交易效率并识别市场加噪状态以获取超额收益。
2024-09-02 cs.AI cs.LG q-fin.CP
Tensor Processing Units for Financial Monte Carlo
蒙特卡罗方法对许多定量金融的常规操作至关重要,例如衍生品定价、对冲和风险度量。不幸的是,蒙特卡罗方法在高维状态空间中运行模拟时计算成本非常高,在高维状态空间中,蒙特卡罗方法仍然是金融行业的首选方法。最近,张量处理单元(TPU)提供了相当大的加速,并降低了在深度学习中运行随机梯度下降(SGD)的成本。在强调了用SGD训练神经网络和模拟随机过程之间的计算相似性之后,我们在本文中询问TPU是否足够准确、快速和简单,可以用于金融蒙特卡罗。通过对这些方法的关键属性的理论提醒和彻底的实证实验,我们研究了TPU对期权定价、套期保值和风险度量计算的适用性。特别是,我们证明,尽管使用混合精度,TPU仍然提供准确的估计是快速计算相比,GPU。我们还证明了TPU的Tensorflow编程模型是优雅的,富有表现力的,并简化了自动区分。
2020-01-27 cs.DC q-fin.CP stat.CO
Lagged correlation-based deep learning for directional trend change prediction in financial time series
University of Edinburgh(爱丁堡大学)
具有大量噪声时间序列的复杂系统中的趋势变化预测是现实世界现象的许多应用中的问题,股票市场是这种系统的众所周知的难以预测的示例。我们通过它们之间的复杂滞后相关性来预测方向趋势变化,从相应的输入中排除有关目标系列的任何信息,以纯粹基于与其他系列的此类相关性来实现预测。我们建议使用深度神经网络,在这项任务的预备特征工程中采用指数平滑的逐步线性回归,回归斜率作为给定时间间隔的趋势强度指标。我们将这种方法应用于2011年至2016年的历史股票市场数据,作为大量时间序列之间滞后相关性的用例示例,这些时间序列受到外部产生的新信息作为随机因素的严重影响。结果表明,所提出的方法的可行性,与国家的最先进的准确性和会计的统计意义的结果进行额外的验证,以及现代金融经济学的重要影响。
2018-11-29 cs.LG q-fin.CP stat.ML
Quant GANs: Deep Generation of Financial Time Series
Fraunhofer ITWM(弗劳恩霍夫工业数学研究所);TU Kaiserslautern(凯泽斯劳滕工业大学)
用随机过程对金融时间序列进行建模是金融数学中一项具有挑战性的任务,也是金融数学研究的一个中心领域。作为替代方案,我们引入了Quant GANs,这是一种数据驱动的模型,其灵感来自于最近成功的生成对抗网络(GANs)。Quant GANs由生成器和递归函数组成,它利用时间卷积网络(TCN),从而实现捕获长期依赖性,例如波动性集群的存在。生成函数被明确地构造,使得诱导的随机过程允许过渡到其风险中性分布。我们的数值结果突出表明,小滞后和大滞后的分布特性具有良好的一致性,并且波动性集群,杠杆效应和序列自相关性等依赖特性可以由Quant GANs的生成函数生成,可以证明具有高保真度。
2019-12-21 cs.LG q-fin.CP q-fin.MF
Quantum generative modeling for financial time series with temporal correlations
Universiteit Leiden(莱顿大学);Instituut-Lorentz, Universiteit Leiden(洛伦兹研究所,莱顿大学);LIACS, Universiteit Leiden(莱顿大学计算科学研究所);IMT School of Advanced Studies, Lucca(卢卡高等研究院)
本文研究量子生成对抗网络在生成金融时间序列中的应用,探讨量子关联如何提升时间序列的生成质量与相关性匹配。
2025-07-29 cond-mat.dis-nn physics.data-an q-fin.CP
Forecast collapse of transformer-based models under squared loss in financial time series
Institut Denis Poisson, UMR C.N.R.S. 7013, France(法国国家科学研究中心7013联合研究单位丹尼斯·泊松研究所)
研究了弱条件结构时间序列下基于平方损失的轨迹预测,指出高表达模型在条件期望退化时导致预测波动,验证了变换器模型在金融时间序列中的预测性能下降。
2026-03-31 cs.LG math.PR math.ST