Predicting Customer Goals in Financial Institution Services: A Data-Driven LSTM Approach
Washington University in St. Louis（圣路易斯华盛顿大学）；J.P. Morgan AI Research（摩根大通人工智能研究院）
本文针对金融机构中预测客户目标与行为的问题，提出基于LSTM及状态空间图嵌入增强的LSTM模型，并利用真实模拟器生成的历史轨迹验证了其有效性。
2024-05-22 cs.AI cs.CE q-fin.ST
Predicting the State of Synchronization of Financial Time Series using Cross Recurrence Plots
互相关分析是理解时间序列相互动态性的有力工具。本文提出了一种新的方法来预测两个金融时间序列的动态同步的未来状态。为此，我们使用交叉递归图分析作为一种非线性方法，用于量化两个时间序列的时间域中的多维耦合，并用于确定它们的同步状态。我们采用深度学习框架，根据从动态子采样交叉递归图中提取的特征，在方法上解决同步状态的预测问题。我们提供了大量的实验，几个股票，主要成分的标准普尔100指数，实证验证我们的方法。我们发现，预测两个时间序列的同步状态的任务一般是相当困难的，但对于某些对股票可达到非常令人满意的性能。
2022-11-02 q-fin.ST stat.ML
BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges
本文提出BreakGPT，一种结合时间序列表示学习与大型语言模型的新型架构，用于预测资产价格飙升，以最少训练有效捕捉局部和全局时间依赖，成为金融预测的有力方案。
2024-11-09 cs.LG q-fin.ST
CLVSA: A Convolutional LSTM Based Variational Sequence-to-Sequence Model with Attention for Predicting Trends of Financial Markets
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
金融市场是一个复杂的动力系统。这种复杂性来自于市场与参与者之间的相互作用，即市场整体参与者活动的综合结果决定了市场的走势，而市场走势又影响着参与者的活动。这些相互交织的相互作用使得金融市场不断发展。受随机递归模型的启发，该模型成功地捕获了在语音和视频等自然序列数据中观察到的可变性，我们提出了CLVSA，这是一种混合模型，由随机递归网络，序列到序列架构，自我和相互注意机制以及卷积LSTM单元组成，以捕获原始金融交易数据中的可变基础特征。基于2010年1月至2017年12月的六个期货的回测结果，我们的模型优于基本模型，如卷积神经网络，香草LSTM网络和带注意力的序列到序列模型。我们的实验结果表明，通过引入一个近似后验，CLVSA利用一个额外的正则化的基础上Kullback-Leibler分歧，以防止自己过拟合陷阱。
2021-04-08 cs.LG q-fin.CP q-fin.ST
Predicting Financial Market Trends using Time Series Analysis and Natural Language Processing
ADA University（ADA大学）；George Washington University（乔治华盛顿大学）
本研究通过时间序列分析与自然语言处理，利用Twitter情绪和LSTM模型预测股票价格，发现情绪极性是主要影响因素，为投资决策提供参考。
2023-08-31 cs.AI cs.LG q-fin.ST
AI-Enhanced Factor Analysis for Predicting S&P 500 Stock Dynamics
本研究结合传统金融分析与机器学习，构建先进指标预测标普500股票动态，提升预测准确性并指导投资策略。
2024-12-17 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
SBBTS: A Unified Schrödinger-Bass Framework for Synthetic Financial Time Series
BNPP and Ecole Polytechnique（法国巴黎银行和巴黎综合理工学院）；BNPP and Monash University（法国巴黎银行和莫纳什大学）；BNPP and ENSAE Paris（法国巴黎银行和巴黎高等经济商业学院）；LPSM, Université Paris Cité and Sorbonne University（巴黎西岱大学LPSM实验室和索邦大学）；Ecole Polytechnique, CMAP（巴黎综合理工学院CMAP实验室）
本文提出SBBTS框架，统一了薛定谔-巴思方法用于多步时间序列生成，有效联合建模漂移和随机波动，提升金融时间序列生成和数据增强性能。
2026-04-08 cs.LG q-fin.ST stat.ML
Predicting S&P500 Index direction with Transfer Learning and a Causal Graph as main Input
Université de Montreal（蒙特利尔大学）；Canada Mortgage and Housing Corporation（加拿大抵押贷款和住房公司）
我们提出了一个统一的多任务框架来表示金融市场动态的复杂和不确定的因果过程，然后预测任何类型的指数的运动与应用上的S & P 500指数的月度方向。我们的解决方案基于三个主要支柱：（i）使用迁移学习在所有金融市场之间共享知识和特征（表示、学习），增加训练样本的大小，并保持训练、验证和测试样本之间的稳定性。(ii)结合多学科知识（金融经济学、行为金融学、市场微观结构和投资组合构建理论），通过图形来表示任何金融市场的全球自上而下的动态。(iii)通过潜在变量/节点整合前瞻性非结构化数据，不同类型的上下文（长期，中期和短期），然后使用独特的VAE网络（参数共享）来同时学习它们的分布表示。在12年的测试期内，我们获得了74.3%，67%和0.42的准确性，F1得分和马修相关性，高于行业和其他基准，其中包括三个不稳定和难以预测的子期。
2022-04-28 cs.AI cs.LG q-fin.ST
Predicting Financial Markets: Comparing Survey, News, Twitter and Search Engine Data
基于在线情绪跟踪的金融市场预测最近引起了很多关注。然而，这个新兴领域的大多数结果都依赖于数据集和情感跟踪工具的独特组合。这使得很难将测量和工具效应与实际参与在线情绪和市场价值之间明显关系的因素区分开来。在本文中，我们调查了一系列在线数据集，（Twitter提要、新闻标题和Google搜索查询量）和情绪跟踪方法（Twitter投资者情绪、负面新闻情绪和Twitter &谷歌搜索量的金融术语），并比较它们对市场指数（如道琼斯工业平均指数、交易量和市场波动率（VIX））的财务预测价值，以及黄金价格。我们还比较了传统投资者情绪调查数据（即投资者情报和每日情绪指数）与上述在线情绪指标的预测能力。我们的研究结果表明，传统的投资者情报调查是金融市场的滞后指标。然而，每周的Google Insight搜索量对金融搜索查询确实具有预测价值。Twitter投资者情绪的指标和前1-2天在Twitter上出现金融术语的频率也被发现是每日市场日志回报的统计显著预测因素。然而，一旦我们控制了所有其他情绪指标以及波动率指数，我们发现调查情绪指标并不是金融市场价值的统计学显著预测因素。
2011-12-05 cs.CE physics.soc-ph q-fin.ST
The Negative Drift of a Limit Order Fill
本文指出了做市模型中低成本随机成交假设与真实市场高成本非随机成交现实的差异，提出并理论证明了限价单成交伴随逆向价格变动而产生的“负漂移”现象，且通过10年期美国国债期货实证模拟予以证实。
2024-07-23 q-fin.MF q-fin.ST q-fin.TR
Explainable Federated Learning for U.S. State-Level Financial Distress Modeling
Rensselaer Polytechnic Institute（拉特格斯理工学院）
首次将联邦学习（FL）应用于美国国家金融能力研究，提出可解释框架，在不集中敏感数据的情况下预测州级金融困境，整合可解释AI技术识别全球和局部预测因子，为金融预警提供合规蓝图。
2025-10-28 cs.LG q-fin.ST
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
Modeling Financial Volatility in the Presence of Abrupt Changes
金融工具的波动性很少是恒定的，通常会随着时间的推移而变化。这就产生了一种称为波动率聚集的现象，即一天的大幅度价格波动之后，连续几天的类似大幅度波动，从而产生了时间集群。将波动性视为漂移过程的GARCH模型通常用于捕捉这种行为。然而，研究表明，波动性往往是更好地描述了一个结构性突变模型，其中波动性经历突然跳跃除了漂移。大多数将这些跳跃整合到GARCH方法中的努力都导致了模型的计算要求非常高，或者对工具的分布做出了有问题的假设，通常假设它们是高斯的。我们提出了一种新的方法，使用非参数统计的思想来确定结构断点，而不作这样的分布假设，然后模型漂移分别在每个确定的制度。使用我们的方法，我们调查了几个主要的股票指数的波动性，并发现我们的方法可以提供一个改进的适合相比，更常用的技术。
2012-12-25 physics.data-an q-fin.ST stat.AP
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
"It Looks All the Same to Me": Cross-index Training for Long-term Financial Series Prediction
University of Bedfordshire（贝德福德郡大学）
本研究探究多种神经网络架构在跨全球市场指数的长期金融序列预测中的交叉训练效果，发现跨市场指数训练模型预测其他市场指数准确率多为积极结果，为有效市场假说提供了新论据。
2025-11-11 cs.LG q-fin.ST
Identifying Trades Using Technical Analysis and ML/DL Models
VJTI College（VJTI学院）
本研究探讨了股市价格预测对投资与风险管理的重要性，指出因股市复杂性带来的挑战，并强调深度学习等先进技术在分析海量数据以预测股价方面的应用潜力及未来研究空间。
2023-04-12 cs.LG q-fin.ST
Test-Time Adaptation for Non-stationary Time Series: From Synthetic Regime Shifts to Financial Markets
Department of Statistics & Operations Research, UNC Chapel Hill（统计与运筹学系，UNC夏洛特山）
本文提出了一种小规模测试时适应框架，用于非平稳时间序列的因果预测和方向分类，在合成数据和金融市场中验证了其有效性。
2026-01-20 cs.LG q-fin.ST stat.ML
Financial Distress Prediction For Small And Medium Enterprises Using Machine Learning Techniques
College of Computer Science and Technology, Harbin Engineering University（哈尔滨工程大学计算机科学与技术学院）
财务困境预测在经济中起着至关重要的作用，通过准确预测失败结构的数量和概率，提供对一个国家经济增长和稳定的洞察。然而，由于中小企业固有的模糊性，预测其财务困境具有挑战性，导致融资成本增加，获得资金的机会减少。虽然已经为有效的FCP开发了几种策略，但它们的实现、准确性和数据安全性都低于实际应用。此外，其中许多策略对于部分数据集表现良好，但不适用于各种数据集。因此，有必要开发一种生产预测模型，以更好地执行订单并适应不同的数据集。在本文中，我们提出了一个特征选择算法FCP的基础上的元素信用和数据源收集。现有的财务困境预测模型主要依赖于财务报表，忽视了组织测试的及时性。因此，我们提出了一个企业FCP模型，更好地符合行业惯例，并结合了财务数据，公司治理质量和市场交易数据与相关向量机的瘦头成分分析的收集。实验结果表明，该策略能够在特征因子较少的情况下提高财务困境的预测效率。
2023-02-23 cs.LG q-fin.ST
Predicting and Forecasting the Price of Constituents and Index of Cryptocurrency Using Machine Learning
目前，加密货币已成为金融领域的一种全球现象，因为它是全球交易量最大的金融工具之一。加密货币不仅是金融工具中最复杂和最深奥的领域之一，而且由于其高波动性，它也被认为是金融领域的一个令人困惑的问题。本文尝试将机器学习技术应用于加密货币的指数和成分，以预测和预测其价格。特别是，本文的目的是使用机器学习算法和模型来预测和预测加密货币指数30和加密货币九种成分的收盘价，以便人们更容易交易这些货币。我们使用了几种机器学习技术和算法，并将模型相互比较，以获得最佳输出。我们相信，我们的工作将有助于减少投资加密货币的人们所面临的挑战和困难。此外，所获得的结果可以在加密货币投资组合管理和观察加密货币市场成分价格波动方面发挥重要作用。我们还将我们的方法与文献中类似的最先进的作品进行了比较，其中考虑了机器学习方法来预测和预测这些货币的价格。在续集中，我们发现我们的最佳方法比文献中的最佳作品呈现出更好的和有竞争力的结果，从而推进了最先进的技术水平。使用这种预测和预测方法，人们可以很容易地理解趋势，并且他们可以更容易地交易像加密货币这样困难和具有挑战性的金融工具。
2019-05-21 q-fin.ST
Non-Linear and Meta-Stable Dynamics in Financial Markets: Evidence from High Frequency Crypto Currency Market Makers
本研究针对线性扩散模型难以刻画复杂市场动力学的问题，通过分析多时间尺度高频加密货币数据，验证了市场动力学受高阶非线性支配、对应非二次势函数的结论，发现单阱/双阱势可表征不同市场状态。
2025-09-03 physics.comp-ph q-fin.GN q-fin.ST
Do Weibo platform experts perform better at predicting stock market?
University of Limerick（利默里克大学）；LERO（LERO（爱尔兰软件工程研究中心））
本文结合 BERT 情感分类与 LSTM 时序预测，比较微博 AFA 与 UFA 用户情感对恒生指数走势的预测效果，发现 AFA 组预测精度高 39.67%，最高准确率达 87%。
2024-02-12 cs.AI cs.LG cs.SI
MegazordNet: combining statistical and machine learning standpoints for time series forecasting
由于金融时间序列的混沌特性，对其进行预测一直被认为是一项困难的任务。统计方法在预测市场方向和股票单一价格等一些具体问题上显示出了坚实的结果;然而，随着深度学习和大数据技术的最新进展，出现了新的有希望的选择来解决金融时间序列预测。此外，最近的文献表明，与单一解决方案相比，采用统计和机器学习的组合可以提高预测的准确性。考虑到上述方面，在这项工作中，我们提出了MegazordNet，这是一个结合结构化深度学习模型进行时间序列预测的金融序列中探索统计特征的框架。我们使用不同的指标评估了我们预测标准普尔500指数股票收盘价的方法，我们能够击败单一的统计和机器学习方法。
2021-06-23 cs.AI cs.CE cs.LG
Predicting trend reversals using market instantaneous state
发生在金融市场的集体行为揭示了强烈的相关状态，特别是在危机时期。一个自然的假设是，趋势逆转也是由不同证券交易所之间的相互影响所驱动的。使用最大熵的方法，我们发现协调的行为在趋势反转占主导地位的成对分量。特别是，这些事件的预测具有很高的显着精度的合奏的瞬时状态。
2014-03-03 cond-mat.stat-mech q-fin.ST
Fast Times, Slow Times: Timescale Separation in Financial Timeseries Data
本文提出了一种通过广义特征值问题分离金融时间序列中不同时间尺度过程的方法，用于识别资产回报和价格的慢速和快速成分，并应用于参数漂移、均值回归和尾部风险管理。
2026-01-16 q-fin.CP q-fin.PM q-fin.RM
Volatility Forecasting in Global Financial Markets Using TimeMixer
Hong Kong Community College（香港社区学院）
本研究应用 TimeMixer 模型预测全球金融资产波动率，发现其通过多尺度混合方法在短期预测中表现优异，但在长期预测中准确性下降，适用于金融风险管理。
2024-09-27 cs.AI cs.LG 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
Financial Market Dynamics: Superdiffusive or not?
在非扩展Tsallis统计的框架内，研究了标准普尔500指数和纳斯达克指数在1-60天内的股票市场收益行为。即使在如此长的时间内，收益率的分布也是非高斯的。它们有厚尾，表明股票收益率不遵循随机游走模型。在这项工作中，一个很好的拟合Tsallis q-高斯分布的所有收益率的分布，使用极大似然估计的方法。对于所考虑的所有数据区域，根据一天收益率估计的标度参数q的值在1.4到1.65的范围内。估计的倒数均方偏差（β）随时间显示幂律行为，指数值在-0.91和-1.1之间，表明正常至轻度亚扩散行为。通常，市场收益率分布的动态是由一个Fokker-Plank（FP）方程建模的，该方程要么具有线性漂移和非线性扩散项，要么仅具有非线性扩散项。这两种情况都支持q-高斯分布作为解。从当前估计的参数得到的分布进行比较的FP方程的解决方案。对于可忽略的漂移项，FP模型的倒数均方偏差（betaFP）遵循幂律，指数值在-1.25和-1.48之间，表明超扩散。当漂移项不可忽略时，相应的betaFP不遵循幂律，并且在取决于漂移参数和q的值的特定特征时间之后变得稳定。这些行为都没有得到实证拟合结果的支持。
2017-09-14 cond-mat.stat-mech q-fin.ST
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
A general "bang-bang" principle for predicting the maximum of a random walk
设$(B_t)_{0\leq t\leq T}$是Bernoulli随机游动或具有漂移的布朗运动，并设$M_t:=\max\{B_s: 0\leq s\leq t\}$，$0\leq t\leq T$。本文解决了一般最优预测问题\sup_{0\leqτ\leq T} \sE [f（M_T-B_τ）]，其中上确界是在适合于$(B_t)$的自然过滤的所有停时$τ$上，$f$是一个非增凸函数.最优停止时间$τ^*$被证明是“bang-bang”型的：如果底层过程$(B_t)$的漂移是负的，则为$τ^*\equiv 0$，如果漂移是正的，则为$τ^*\equiv T$。这一结果推广了S. Yam，S. Yung和W. Zhou [{ \em J. Appl. Probab.} { \bf 46}（2009），651- 668]和J. Du Toit和G. Peskir [{ \em Ann. Appl. Probab.}（\bf 19）（2009），983- 1014），并为金融学中的格言提供了额外的数学证明，即应该立即出售坏股票，但尽可能长时间地保留好股票。
2009-10-03 math.PR q-fin.PM q-fin.ST
Predicting Stock Market Crash with Bayesian Generalised Pareto Regression
本文提出贝叶斯广义帕累托回归模型，结合波动率协变量预测印度Nifty 50指数崩盘风险，实证表明Cauchy先验最优且全球波动率显著提升预测能力。
2025-06-21 q-fin.ST stat.AP stat.ML
The LOB Recreation Model: Predicting the Limit Order Book from TAQ History Using an Ordinary Differential Equation Recurrent Neural Network
在订单驱动的金融市场中，金融资产的价格是通过发布到公共限价订单簿（LOB）的订单（以特定价格买入或卖出的请求）的交互来发现的。因此，LOB数据对于建模市场动态非常有价值。然而，LOB数据不能自由获取，这对希望利用这些信息的市场参与者和研究人员构成了挑战。幸运的是，交易和报价（TAQ）数据-到达LOB顶部的订单，以及在市场中执行的交易-更容易获得。在本文中，我们提出了LOB重建模型，这是从深度学习的角度首次尝试仅使用TAQ数据重建小股票LOB的前五个价格水平。通过组合来自以下各项的输出来预测位于LOB深处的订单的数量：（1）历史编译器，其使用门控递归单元（GRU）模块来选择性地编译预测相关报价历史;（2）市场事件模拟器，其使用常微分方程递归神经网络（ODE-RNN）来模拟净订单到达的累积;以及（3）自适应地组合由（1）和（2）生成的预测的加权方案。通过迁移学习的范例，可以对在一只股票上训练的源模型进行微调，以使其能够应用于同一类别的其他金融资产，而对额外数据的需求要低得多。在两个真实的日内LOB数据集上进行的综合实验表明，所提出的模型可以有效地重建LOB与高精度仅使用TAQ数据作为输入。
2021-03-02 cs.CE cs.NE q-fin.ST
Record statistics for biased random walks, with an application to financial data
我们考虑具有非对称跳分布的随机游动中破纪录事件的发生。对称随机游动中记录的统计量以前由Majumdar和Ziff分析过，并且很容易理解。与对称跳跃分布的情况不同，在非对称情况下，记录的统计取决于跳跃分布的选择。我们计算记录率$P_n(c)$，定义为第$n$个值大于所有先前值的概率，对于具有标准差$σ$的高斯跳跃分布，该标准差由恒定漂移$c$移位。对于小漂移，在$c/σ\ll n^{-1/2}$的意义上，对$P_n(c)$的校正与反正切$(\sqrt{n})$成比例地增长，并在值$\frac{c}{\sqrt{2} σ}$处饱和。对于大的$n$，记录速率接近常数，其近似地由$c/σ\gg 1$的$1-(σ/\sqrt{2π}c)\textrm{exp}(-c^2/2σ^2)$给出。这些渐近结果可以推广到其他具有有限方差的连续跳跃分布。作为一个应用程序，我们比较我们的分析结果，从标准普尔500指数的366个每日股票价格的记录统计。有偏随机游走定量地解释了由于股票价格的整体趋势而导致的上记录数量的增加，并且在去趋势后，上记录的数量与对称随机游走非常一致。然而，在去趋势数据中的较低记录的数量被一种机制显著减少，该机制仍有待确定。
2011-03-04 cond-mat.stat-mech physics.data-an q-fin.ST
