ARED: Argentina Real Estate Dataset
针对阿根廷缺乏混合模态房地产数据集的问题，本文发布 ARED 第一版，提供 2024 年初 44 天房源的描述性特征与可变长度图像，用于价格预测。
2024-03-01 cs.DL cs.LG q-fin.ST
Multimodal Machine Learning for Real Estate Appraisal: A Comprehensive Survey
University of Technology Sydney（悉尼科技大学）
本综述系统梳理多模态机器学习在房地产评估中的应用，提出性能和融合两个研究问题，首次分类定义模态，并展望未来方向。
2025-03-28 cs.LG
Vision-based Real Estate Price Estimation
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技校区）
自从Zillow、Trulia和Redfin等在线房地产数据库公司出现以来，自动估计房屋市场价值的问题受到了相当大的关注。一些房地产网站使用专有公式提供此类估计。虽然这些估计往往接近实际销售价格，但在某些情况下，它们非常不准确。影响房屋价值的关键因素之一是其内部和外部外观，这在计算自动价值估计时不被考虑。在本文中，我们评估的影响，视觉特征的房子，其市场价值。使用深度卷积神经网络对家庭内部和外部照片的大数据集，我们开发了一种估计房地产照片豪华程度的方法。我们还开发了一个新的框架，用于自动化价值评估，使用上述照片以及房屋特征，包括大小，提供的价格和卧室数量。最后，通过将我们提出的价格估计方法应用于房地产照片和元数据的新数据集，我们表明它优于Zillow的估计。
2018-10-03 cs.CV cs.LG
Using Machine Learning to Evaluate Real Estate Prices Using Location Big Data
University of Virginia（弗吉尼亚大学）
如今，每个人都试图进入房地产市场，了解住宅和商业物业的适当估值已变得至关重要。过去的研究人员已经知道利用静态房地产数据（例如床，浴室，平方英尺的数量），甚至房地产和人口统计信息的组合来预测房地产价格。在这项研究中，我们试图改进过去的研究。因此，我们决定探索一种独特的方法：我们想确定移动位置数据是否可以用来提高流行的回归和基于树的模型的预测能力。为了为我们的模型准备数据，我们通过将移动数据附加到房地产数据中的各个属性来处理移动数据，这些数据在一周的每一天都聚集了距离该属性500米以内的用户。我们删除了居住在每个房产500米范围内的人，因此每个房产的聚合移动数据仅包含非居民人口普查特征。除了这些动态人口普查特征之外，我们还包括静态人口普查特征，包括该地区的人口数量，通勤人口的平均比例以及该地区的居民数量。最后，我们测试了多个模型来预测房地产价格。我们提出的模型是两个堆叠的随机森林模块，使用岭回归，使用随机森林输出作为预测。第一个随机森林模型仅使用静态特征，第二个随机森林模型仅使用动态特征。比较我们的模型与不动态移动定位功能的结论是，与动态移动定位功能的模型实现了3/%，比相同的模型，但没有动态移动定位功能的均方误差低。
2022-05-02 cs.LG
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
Look Around! A Neighbor Relation Graph Learning Framework for Real Estate Appraisal
National Yang Ming Chiao Tung University（国立阳明交通大学）
房地产估价是城市应用中的一个重要问题，其目的是对市场上的房地产进行估价。传统的评价方法是基于领域知识进行评价，但需要手工设计。最近，已经开发了几种方法，通过在估计物业价值时考虑物业交易交易来自动化估值过程。然而，现有的方法只考虑房地产本身，忽略了属性之间的关系。此外，单纯地聚合邻居的信息无法对事务之间的关系进行建模。为了解决这些问题，我们提出了一个新的邻居关系图学习框架（ReGram），该框架将目标事务和周围邻居之间的关系与注意力机制相结合。为了模拟社区之间的影响，我们整合了环境信息和来自其他社区的每笔交易的过去价格。此外，由于目标事务在不同地区有一些共同点和差异的特点，我们引入了一个动态适配器来模拟不同分布的目标事务的基础上输入相关的核权重。在各种场景下对真实世界数据集进行的大量实验表明，ReGram鲁棒性优于最先进的方法。此外，还进行了全面的消融研究，以检查ReGram中每个组件的有效性。
2022-12-23 cs.LG
RE-RFME: Real-Estate RFME Model for customer segmentation
本文提出端到端流水线 RE-RFME，利用新颖的 RFME 模型跟踪客户行为特征，并训练 K-means 算法将客户细分为4组，在 housing.com 数据集上验证了其有效性。
2024-04-26 cs.IR cs.LG
Towards robust and speculation-reduction real estate pricing models based on a data-driven strategy
Human Brain Technologies（人脑科技公司）；Universidad Nacional de Colombia（哥伦比亚国立大学）
在许多国家，不动产评估是基于传统的方法，依靠评估人员的能力，收集数据，解释它和模型的价格不动产财产。随着不动产在线平台的使用越来越多，以及其中发现的大量信息，存在克服传统定价模型的许多缺点的可能性，例如主观性，成本，不公平性等。在本文中，我们提出了一个数据驱动的不动产定价模型的基础上，机器学习的方法来估计价格减少人类的偏见。我们使用2016年至2020年收集的波哥大178，865套公寓列表来测试该模型。结果表明，所提出的国家的最先进的模型是强大的和准确的估计不动产价格。这一案例研究激励发展中国家的地方政府根据大量数据集讨论和建立不动产定价模型，以提高对所有不动产市场利益攸关方的公平性，减少价格投机。
2020-11-26 cs.LG econ.GN q-fin.EC
On the Performance of LLMs for Real Estate Appraisal
LIRIS, KU Leuven, Leuven, Belgium（LIRIS，KU莱顿，比利时）；Department of Business Informatics and Operations Management, Ghent University, Ghent, Belgium（商业信息学与运营管理系，根特大学，比利时）；Department of Decision Analytics and Risk, University of Southampton, Southampton, UK（决策分析与风险系，南安普顿大学，英国）
本文系统评估LLM结合优化ICL提示进行房价估计与解释的能力，证明其可作为透明、可交互的估价辅助工具。
2025-06-13 cs.AI cs.CL cs.LG
The Spatially-Conscious Machine Learning Model
Northwestern University School of Professional Studies（西北大学专业研究学院）；U.S. Military Academy Army Cyber Institute（美国军事学院陆军网络研究所）
成功预测中产阶级化可能有许多社会和商业应用;然而，房地产销售很难预测，因为它们属于一个由内在和外在特征，感知价值和市场投机组成的混沌系统。以纽约市房地产为主题，我们将数据科学和机器学习的现代技术与传统的空间分析相结合，为分类和回归任务创建强大的房地产预测模型。我们比较了几个尖端的机器学习算法在空间，半空间和非空间特征工程技术，我们的经验表明，空间意识的机器学习模型优于非空间模型时，结合先进的预测技术，如前馈人工神经网络和梯度提升机器模型。
2019-02-01 cs.LG stat.ML
House Price Valuation Model Based on Geographically Neural Network Weighted Regression: The Case Study of Shenzhen, China
Zhejiang University（浙江大学）；Zhejiang Key Laboratory of Resources and Environmental Information System（浙江省资源与环境信息系统重点实验室）
面对房地产市场的空间异质性，传统的研究多采用地理加权回归（GWR）方法来估计房价。然而，其核函数是非线性的，难以捉摸的，和复杂的选择带宽，预测能力也可以提高。因此，一种新的技术，地理神经网络加权回归（GNNWR），已被应用到提高房地产估价的准确性与神经网络的帮助下。基于深圳房价数据，本文显著地刻画了深圳房地产市场上各种变量的权重分布，而GWR很难实现。此外，我们还重点研究了GNNWR的性能，验证了它的鲁棒性和优越性，通过10倍交叉验证改进了实验过程，将其应用范围从自然地理空间数据扩展到社会经济地理空间数据。这是一种评估房价的实用和明确的方法，我们在复杂的社会经济数据集上证明了GNNWR的有效性。
2022-02-09 cs.LG stat.AP
Fake Advertisements Detection Using Automated Multimodal Learning: A Case Study for Vietnamese Real Estate Data
Datal（数据智能公司（Datal））；University of Management and Technology（胡志明市管理技术大学）；Durham University（杜伦大学）
提出FADAML端到端系统，结合多模态与自动化机器学习检测虚假广告，在越南房地产数据上达91.5%准确率，优于三种先进系统。
2025-01-18 cs.AI cs.LG
Retrieval-Enhanced Real Estate Appraisal
Homiwoo（霍米沃）；École Polytechnique（高等理工学院）
本文提出一种基于学习选择策略改进房地产评估中可比实例选择的方法，通过混合向量-地理检索模块与估计模块联合优化，提升模型性能并减少参数需求。
2026-03-13 cs.LG
Real Estate Property Valuation using Self-Supervised Vision Transformers
University of Colorado Boulder（科罗拉多大学博尔德分校）
近年来，人工智能（AI）在房地产市场的使用一直在增长。在本文中，我们提出了一种利用自监督视觉Transformer的财产估价新方法，这是计算机视觉和深度学习的最新突破。我们提出的算法使用机器学习、计算机视觉和在房地产数据上训练的特征定价模型的组合来估计给定房产的价值。我们收集并预处理了科罗拉多州博尔德市的房地产数据集，并用它来训练，验证和测试我们的算法。我们的数据集包括定性图像（包括房屋内部、外部和街景）以及定量特征，如卧室、浴室、平方英尺、地段平方英尺、物业年龄、犯罪率和设施的接近程度。我们使用均方根误差（RMSE）等指标评估了模型的性能。我们的研究结果表明，这些技术能够准确地预测属性的价值，具有较低的RMSE。该算法优于传统的评估方法，不利用属性图像，并有可能被用于现实世界中的应用。
2023-01-31 cs.AI cs.CV cs.LG
Payday loans -- blessing or growth suppressor? Machine Learning Analysis
不动产的兴起涉及到多种因素，受到多个领域的影响。事实上，影响经济的未被承认的部门是发薪日贷款，目前正在起草监管提案，以控制这一点。本研究论文围绕发薪日贷款在不动产市场的影响。本文以加拿大安大略省多伦多市的发薪日贷款为例，总结了获取参考区域内不动产集中度指标的第一手经验，提出了通过研究分析创建、评估和论证情景的思路。这个指数通过发薪日贷款的目的是基本的债务：收入比率，其中指出，当收入的人必须支付发薪日贷款的利息增加，他的债务下降幅度不大，因此推断，该人投资于固定资产，如不动产，这提高了其增长。
2022-05-30 cs.LG econ.GN q-fin.EC
Housing Market Prediction Problem using Different Machine Learning Algorithms: A Case Study
Embry-Riddle Aeronautical University（安柏瑞德航空大学）；IIT Kharagpur（印度理工学院克勒格布尔分校）；BNMIT（班加罗尔国家公共工程学院）
建立准确的房价预测模型是社会经济发展和公民福祉的需要。在本文中，一组不同的机器学习算法，如XGBoost，CatBoost，随机森林，Lasso，Voting Regressor等，正在使用公共可用的数据集来预测房价。2015年1月至2019年11月期间的62，723条记录的住房数据集从佛罗里达州沃卢西亚县财产估价师网站获取。这些记录是公开的，包括房地产或经济数据库、地图和其他相关信息。该数据库通常根据佛罗里达州的规定每周更新一次。在此基础上，建立了基于机器学习技术的住宅价格预测模型，并对回归模型的性能进行了比较。最后，提出了一个改进的住宅价格预测模型，以辅助住宅市场。特别是，房屋卖方或买方，或房地产经纪人可以在考虑房价预测的情况下做出更明智的决策。实证结果表明，XGBoost算法在预测模型性能、决定系数（R2）、均方误差（MSE）、平均绝对误差（MAE）和计算时间等方面均优于其他模型。
2020-06-17 cs.LG stat.ML
RE-Tagger: A light-weight Real-Estate Image Classifier
本文提出 RE-Tagger 端到端房地产图像分类流水线，采用定制 InceptionV3 的两阶段迁移学习识别六类空间图像，并以 REST API 形式部署为轻量 Web 应用。
2022-07-12 cs.CV cs.LG
House Price Prediction Based On Deep Learning
Liaoning University（辽宁大学）；Lehigh University（理海大学）
自古以来，中国人所追求的东西很简单，无非就是“安居乐业，衣食住行”。改革开放40多年后的今天，人们基本解决了温饱问题，迫切需要解决的是住房问题。如今，由于蛋壳等长租公寓中介平台的风波，增加了租房者的不安全感，以及近年来的城镇化和各大城市的抢人潮，这将使未来房地产市场竞争更加激烈。为了更好地把握房地产价格，让消费者合理购房，并为政府制定政策提供参考，本文总结了现有的房价预测方法，提出了一种基于混合深度视觉和文本特征的房价预测方法。
2022-04-19 cs.LG
NY Real Estate Racial Equity Analysis via Applied Machine Learning
本研究利用LSTM+Geo等机器学习模型分析纽约州房地产所有权模式，揭示了白人持有不成比例房产份额等显著种族不平等现象，并强调数据驱动方法在解决该问题中的重要性。
2025-06-26 cs.CY cs.LG
Comparative Analysis of Linear Regression, Gaussian Elimination, and LU Decomposition for CT Real Estate Purchase Decisions
Harrisburg University of Science and Technology（哈里斯堡科技大学）
本文比较评估了Linear Regression、Gaussian Elimination和LU Decomposition在康涅狄格州房地产购买决策中的预测表现，发现Linear Regression和LU Decomposition准确性更高，强调了算法选择的重要性。
2023-11-22 cs.CC cs.CE cs.LG
Sub-City Real Estate Price Index Forecasting at Weekly Horizons Using Satellite Radar and News Sentiment
Ozyegin University（奥兹根大学）
本文通过结合卫星雷达与新闻情绪数据，实现了下辖城市房地产价格指数的周频预测，显著提升了长期预测的准确性。
2026-02-20 cs.LG q-fin.ST
Learning Real Estate Automated Valuation Models from Heterogeneous Data Sources
University of Turin（都灵大学）；ISI Foundation（ISI基金会）
房地产估价是一项复杂而重要的任务，可以在自动估价工具的帮助下更精确，更快。通常，某些财产的价值是在考虑到结构和地理特征的情况下确定的。然而，虽然地理信息很容易找到，但要获得重要的结构信息，需要房地产专家（专业评估师）的干预。在本文中，我们提出了一个Web数据采集方法，和一个机器学习模型，可用于自动评估房地产。这种方法使用的数据来自以前的评估文件，从广告价格通过网络爬行发现的类似属性，并从公开的数据描述相应的地理区域的特点。我们描述了一个案例研究，适用于整个意大利领土，并初步培训的数据集位于都灵市的个人住宅，并分析预测和实际适用性。
2019-09-02 cs.CY cs.LG stat.ML
Integrating Floor Plans into Hedonic Models for Rent Price Appraisal
University of Giessen（吉森大学）
在线房地产平台已成为促进用户搜索公寓或房屋的重要市场。然而，准确评估一处房产的价值仍然具有挑战性。先前的工作主要研究基于特征价格模型的房地产估值，该模型考虑结构化数据，而伴随的非结构化数据通常被忽略。在这项研究中，我们调查了在线房地产平台上公寓平面图的自动视觉分析在多大程度上可以增强享乐租金价格评估。我们提出了一个定制的两阶段深度学习方法，从历史价格数据中学习与价格相关的平面图设计。随后，我们将平面图预测纳入享乐租金价格模型，该模型考虑了公寓的结构和位置特征。我们的实证分析的基础上，一个独特的数据集9174房地产上市表明，目前的享乐模型未充分利用现有的数据。我们发现：（1）平面图的视觉设计对租金价格具有显著的解释力-即使在控制了结构和位置公寓特征之后，（2）利用平面图可以降低高达10.56%的样本外预测误差。我们进一步发现，平面图在较旧和较小的公寓的预测性能方面产生了特别高的增益。总之，我们的实证研究结果有助于现有的研究机构建立平面图的视觉设计和房地产价格之间的联系。此外，我们的方法对在线房地产平台具有重要意义，这些平台可以使用我们的研究结果来增强其房地产列表的用户体验。
2021-02-16 cs.LG econ.GN q-fin.EC
Population synthesis for urban resident modeling using deep generative models
Technical University of Denmark（丹麦技术大学）
新的房地产开发的影响与其人口分布（家庭类型和组成，收入，社会人口统计）密切相关，取决于住宅类型，价格，位置和楼层等方面。本文提出了一种基于机器学习的方法来模拟较大的社区/公寓设置内的新建筑物的即将到来的发展的人口分布。我们使用来自越南河内房地产开发项目Ecopark Township的真实数据集，在那里我们研究了来自深度生成模型文献的两种机器学习算法，以创建一个合成代理群体：条件变分自动编码器（CVAE）和条件生成对抗网络（CGAN）。一个大型的实验研究表明，CVAE优于经验分布，一个非平凡的基线模型，和CGAN在估计新的房地产开发项目的人口分布。
2020-11-13 cs.LG econ.EM
Data Cross-Segmentation for Improved Generalization in Reinforcement Learning Based Algorithmic Trading
Carnegie Mellon University（卡内基梅隆大学）；Kenanga Investment Bank Berhad（肯安格投资银行有限公司）
针对交易清淡及差异化资产市场中传统监督学习驱动的交易策略失效问题，提出一种基于学习预测模型信号交易的强化学习算法，并用马来西亚证交所20余年股票数据测试。
2023-07-18 cs.LG
CFRecs: Counterfactual Recommendations on Real Estate User Listing Interaction Graphs
Arizona State University（亚利桑那州立大学）；Zillow Group（Zillow集团）
CFRecs通过反事实推理在房地产用户列表交互图中生成可操作的推荐，提升推荐系统的可解释性和实用性。
2026-02-05 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
Z-REx: Human-Interpretable GNN Explanations for Real Estate Recommendations
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文提出Z-REx框架，通过结构和属性扰动结合领域知识，为异构链路预测任务生成人类可解释的GNN解释，在真实房地产数据集上Fidelity指标优于SOTA方法61%。
2025-06-30 cs.IR cs.LG cs.SI
Machine Learning-Driven Virtual Bidding with Electricity Market Efficiency Analysis
提出了一种基于机器学习的电力市场虚拟竞价投资组合优化框架，该框架同时考虑了风险约束和价格敏感性。算法交易策略是从自营交易公司的角度开发的，以实现利润最大化。利用市场出清算法的小时间依赖性，建立了基于递归神经网络的LMP价差预测模型。利用所提出的约束梯度提升树，将LMP价差对净虚拟报价的灵敏度建模为单调函数。我们利用所提出的算法虚拟投标交易策略来评估虚拟投标组合的盈利能力和美国批发电力市场的效率。对PJM、ISO-NE和CAISO的综合实证分析表明，考虑价格敏感性的虚拟投标组合优化策略明显优于忽略价格敏感性的虚拟投标组合优化策略。所有三个电力市场的虚拟投标组合的夏普比率都远高于标准普尔500指数。CAISO的双结算系统的效率低于PJM和ISO-NE。
2021-04-06 cs.LG
Unveiling Location-Specific Price Drivers: A Two-Stage Cluster Analysis for Interpretable House Price Predictions
University of Vienna（维也纳大学）；Leipzig University（莱比锡大学）；University of Regensburg（莱比锡大学）；TU Dresden（德累斯顿技术大学）
针对房价评估中市场异质性与可解释性不足的问题，提出两阶段聚类结合线性回归或广义加性模型的方法，在43,309条德国房产数据上分别将平均绝对误差降低58%和36%，并揭示聚类间模式差异。
2025-08-05 cs.LG
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
What Image Features Boost Housing Market Predictions?
Harvard John A. Paulson School Of Engineering and Applied Sciences（哈佛大学约翰·A·保尔森工程与应用科学学院）；Faculty of Informatics and Computing, Singidunum University（辛吉杜努姆大学信息与计算学院）
物业的吸引力是最有趣但最具挑战性的建模类别之一。图像特征用于描述某些属性，并检查视觉因素对上市价格或时间表的影响。在本文中，我们提出了一套技术提取的视觉特征，有效的数值包含在现代预测算法。我们讨论的技术，如香农熵，计算重心，采用图像分割，并使用卷积神经网络。在将这些技术应用于一组与属性相关的图像之后，（室内、室外和卫星），我们得出以下结论：（i）熵是预测房价最有效的单位数视觉度量：（ii）图像分割是预测房屋寿命最重要的视觉特征;以及（iii）深度图像特征可用于量化内部特征并有助于吸引建模。这里选择的40个图像特征集具有显著的预测能力，并且优于一些最强的元数据预测器。在房地产评估过程中不需要更换人类专家，我们得出结论，本文提出的技术可以有效地描述可见的特征，从而将感知吸引力作为定量指标引入到住房的预测建模中。
2021-07-15 cs.CV cs.LG
A comparison of apartment rent price prediction using a large dataset: Kriging versus DNN
Kobe University（神户大学）；Gunosy Inc.（Gunosy公司）
基于回归模型的特征方法已被广泛应用于房地产价格和租金的预测。特别地，已知称为克里格（Kriging）的空间回归技术（一种在空间统计学领域中先进的插值方法）能够根据不动产数据的空间依赖性进行高精度预测。与此同时，使用大数据集的基于机器学习的预测迅速增加，其有效性已在以前的研究中得到证明。然而，没有研究表明使用大数据的克里格和机器学习技术的预测准确性有多大差异。因此，本研究比较了最近邻高斯过程（NNGP）模型和深度神经网络（DNN）模型对日本公寓租金价格的预测精度，特别关注数据样本量（n = 10^4，10^5，10^6）和预测性能的差异。NNGP模型可以将克里格应用于大数据，深度神经网络是一种代表性的机器学习技术。我们的分析表明，随着样本量的增加，DNN的样本外预测精度接近NNGP，并且它们在n = 10^6的数量级上几乎相等。此外，它建议，无论是高端和低端物业的租金价格偏离中位数，DNN可能有更高的预测精度比NNGP。
2019-06-25 cs.LG stat.AP stat.ML
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-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
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
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
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
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
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
Maximum Relevance and Minimum Redundancy Feature Selection Methods for a Marketing Machine Learning Platform
Uber Technologies, Inc.（优步技术公司）
在用于在线产品供应和营销策略的机器学习应用中，通常有数百或数千个特征可用于构建此类模型。在这类应用中，特征选择是一种重要的方法，可以实现多个目标：通过消除不相关的特征来提高预测精度，加快模型训练和预测速度，减少特征数据管道的监控和维护工作量，提供更好的模型解释和诊断能力。然而，从一个大的特征空间中选择一个最佳的特征子集被认为是一个NP完全问题。mRMR（最小冗余和最大相关性）特征选择框架通过选择相关特征同时控制所选特征内的冗余来解决这个问题。本文描述了在Uber的一个营销机器学习平台中扩展、评估和实现mRMR特征选择方法的方法，该平台可以自动创建和部署大规模的目标和个性化模型。本研究首先通过引入非线性特征冗余度和基于模型的特征相关度来扩展现有的mRMR方法。然后，对八种不同的特征选择方法进行了广泛的实证评估，使用Uber的一个合成数据集和三个真实世界的营销数据集来覆盖不同的用例。基于实证结果，所选择的mRMR方法在生产中实施的营销机器学习平台。生产实施的描述，并通过平台部署的在线实验进行了讨论。
2019-08-15 cs.LG stat.ML
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
AlphaMLDigger: A Novel Machine Learning Solution to Explore Excess Return on Investment
New York University（纽约大学）
如何快速、自动地挖掘有效信息，为投资决策服务，越来越受到学术界和产业界的关注。全球大流行病带来了新的挑战。本文提出了一个两阶段的AlphaMLDigger，有效地发现在一个高度波动的市场超额回报。在第一阶段，提出了一个深度序列自然语言处理（NLP）模型，将新浪微博博客转换为市场情绪。在第二阶段，预测的市场情绪与社交网络指标特征和股票市场历史特征相结合，以不同的机器学习模型和优化器预测股票走势。结果表明，集成模型达到了0.984的精度，显着优于基线模型。此外，我们发现COVID-19给中国股票市场带来了数据转移。
2022-12-19 cs.LG q-fin.CP
Machine learning based forecasting of significant daily returns in foreign exchange markets
Canadian University Dubai（迪拜加拿大大学）
资产价值预测一直吸引着大量的研究人员在定量分析的兴趣。现代机器学习模型的出现引入了新的工具来解决这个经典问题。在本文中，我们将机器学习算法应用到迄今为止尚未探索的问题，预测货币汇率大幅波动的情况。我们使用10年期间四种主要货币对的数据对九种现代机器学习算法进行分析。一个关键的贡献是新的使用离群值检测方法，用于这一目的。数值实验表明，离群值检测方法大大优于传统的机器学习和金融技术。此外，我们表明，最近提出的新的离群值检测方法PKDE产生最好的整体效果。我们的研究结果适用于不同的货币对，显著性水平和时间范围，表明所提出的方法的鲁棒性。
2020-09-21 cs.LG stat.ML
Data-Free Diversity-Based Ensemble Selection For One-Shot Federated Learning in Machine Learning Model Market
National University of Singapore（新加坡国立大学）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所）
经过训练的机器学习模型的出现提出了机器学习模型市场的新概念，其中人们可以利用多个经过良好训练的模型的集体智能，以无数据的方式通过一次性联邦学习和集成学习来提高结果模型的性能。然而，选择市场上可用的模型进行集成学习是耗时的，因为使用所有模型并不总是最好的方法。因此，至关重要的是要有一个有效的合奏选择策略，可以找到一个很好的子集的基础模型的合奏。传统的集成选择技术不适用，因为我们无法访问联邦学习设置中各方的本地数据集。在本文中，我们提出了一种新的无数据的多样性为基础的方法称为DeDES解决集成选择问题的模型产生的一次联邦学习在实际应用中，如模型市场。实验结果表明，该方法在5个数据集和4种不同的模型结构下，在不同的数据划分策略下都能获得较好的性能和较高的效率。
2023-02-23 cs.AI cs.LG
Application of Machine Learning in Stock Market Forecasting: A Case Study of Disney Stock
该研究以迪士尼股票为案例，基于750条记录和16项属性完成EDA、特征工程、数据准备与模型比较，并结合Fama French三因子模型，发现线性回归表现最佳。
2023-12-31 cs.LG q-fin.ST stat.AP
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
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
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
Machine Learning Based Stress Testing Framework for Indian Financial Market Portfolios
Indian Institute of Technology Guwahati（印度理工学院古瓦哈提）
本文提出基于主成分分析、自编码器和变分自编码器的机器学习压力测试框架，通过蒙特卡洛情景生成和风险价值、预期损失估计，提升印度金融市场行业压力测试的灵活性与真实性。
2025-07-02 cs.LG q-fin.PM q-fin.RM
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
