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
Using Twitter Attribute Information to Predict Stock Prices
KTH Royal Institute of Technology（瑞典皇家理工学院）
能够预测股票价格可能是股票投资者不言而喻的愿望。虽然股票价格很难预测，但关于影响其走势的因素有很多理论，包括利率、新闻和社交媒体。在机器学习的帮助下，数据中的复杂模式可以超越人类的智力来识别。在这篇论文中，我们建立了一个时间序列预测的机器学习模型，并对股票价格进行了预测。该模型基于具有多层LSTM和全连接层的神经网络。它使用历史股票价值，技术指标和从社交媒体平台Twitter上的帖子中检索，提取和计算的Twitter属性信息进行训练。这些属性是情绪得分，收藏夹，追随者，转发以及帐户是否经过验证。为了从Twitter收集数据，使用了Twitter的API。使用VADER进行情感分析。结果表明，通过添加更多的Twitter属性，预测价格和实际价格之间的MSE提高了3%。考虑到技术分析，MSE从0.1617下降到0.1437，提高了约11%。这项研究的限制包括所选股票必须在股票市场公开上市，并在Twitter和个人投资者中流行。此外，股市的开放时间与Twitter不同，Twitter一直可用。因此，它可能会在模型中引入噪声。
2021-05-04 cs.LG
Game-Theoretic Modeling of Heterogeneous Investor Interactions for Stock Price Forecasting
School of Computer Science, Beijing Institute of Technology（北京理工大学计算机科学学院）；Faculty of Engineering, Shenzhen MSU-BIT University（深圳MSU-BIT大学工程学院）
提出一种嵌入博弈论机制的异构图建模方法，通过模拟投资者动态策略交互来提升股票价格预测准确性。
2026-05-11 cs.GT cs.LG q-fin.TR
Forecasting significant stock price changes using neural networks
Canadian University Dubai（加拿大迪拜大学）
股票价格预测是一个内容丰富的研究课题，引起了各个科学领域的兴趣。最近机器学习在语音和图像识别方面的成功促使研究人员将这些方法应用于资产价格预测。大多数文献都致力于预测实际资产价格或价格走势。在本文中，我们研究了一个迄今为止很少探索的问题，预测股票价格的重大变化的基础上，以前的变化，使用机器学习算法。我们特别感兴趣的是在给定的上下文中的神经网络分类器的性能。为此，我们构建并测试了三个神经网络模型，包括多层感知器，卷积网络和长短期记忆网络。作为基准模型，我们使用随机森林和相对强度指数方法。使用美国四家主要上市公司的10年每日股价数据对模型进行了测试。测试结果表明，预测股票价格的显着变化，可以实现具有较高的准确度。特别是，我们获得了比预测价格变化方向的类似研究更好的结果。
2019-11-21 cs.LG q-fin.TR stat.ML
StockMem: An Event-Reflection Memory Framework for Stock Forecasting
Shanghai University of Finance and Economics（上海金融学院）
StockMem通过事件反射双层内存框架，有效整合事件信息与价格动态，提升股票预测的可解释性和透明度。
2025-12-02 cs.AI cs.LG
Multi-task Learning for Financial Forecasting
金融预测是机器学习中具有挑战性和吸引力的研究课题。有许多经典的解决方案，以及许多基于深度学习的方法，提出来处理它，产生令人鼓舞的性能。股票时间序列预测是金融预测中最具代表性的问题。由于股票之间的联系很强，对预测有价值的信息不仅包含在单个股票中，而且包含在与之相关的股票中。然而，以往的研究大多集中在单一的股票上，容易忽略其他股票中有价值的信息。为了利用更多的信息，在本文中，我们提出了一种联合预测方法，同时处理多个时间序列的相关股票，使用多任务学习框架。与以往的工作相比，我们使用多个网络来预测多个相关的股票，通过多任务学习，同时使用它们的共享和私有信息。此外，我们提出了一个注意力方法学习的基础上资本资产定价模型（CAPM）的思想，以帮助预测的共享和私人信息的优化加权组合。各种数据的实验结果表明，改进的预测性能基线方法。
2019-01-22 cs.AI cs.LG stat.ML
StockBot 2.0: Vanilla LSTMs Outperform Transformer-based Forecasting for Stock Prices
Department of Mechanical Engineering, Stanford University, CA 94305-4040, USA（机械工程系，斯坦福大学）
StockBot 2.0通过vanilla LSTM在股票价格预测中优于基于变换器的模型，展示了递归序列模型在金融时间序列预测中的鲁棒性和数据效率。
2026-01-01 cs.CE cs.CL cs.LG
Improved Accuracy of PSO and DE using Normalization: an Application to Stock Price Prediction
UIET, PU（旁遮普大学工程技术学院）
数据采掘自20世纪80年代以来被积极地应用于股票市场。它已被用于预测股票价格，股票指数，投资组合管理，趋势检测和开发推荐系统。已经用于相同的各种算法包括人工神经网络，支持向量机，ARIMA，GARCH等不同的混合模型已经开发了这些算法与其他算法，如粗糙，模糊逻辑，GA，PSO，DE，ACO等相结合，以提高效率。本文提出了一种股票价格预测的DE-SVM模型（差分进化支持向量机）。DE已被用来选择最佳的自由参数组合的支持向量机，以改善结果。将预测结果与单独使用SVM和PSO-SVM模型（粒子群优化）的预测结果进行了比较。还研究了数据归一化对预测精度的影响。
2013-02-05 cs.LG cs.NE
ADD: Augmented Disentanglement Distillation Framework for Improving Stock Trend Forecasting
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）
股票趋势预测已成为金融领域广泛关注的热门研究方向。虽然深度学习方法已经取得了令人鼓舞的成果，但仍然存在许多限制，例如，如何从原始股票数据中提取干净的特征。在本文中，我们介绍了一个\emph{Augmented Disentanglement Distillation (ADD)}的方法，以消除干扰功能，从噪声的原始数据。具体而言，我们提出了1）一个解纠缠结构，以分离过剩和市场信息从股票数据，以避免这两个因素干扰对方自己的预测。此外，通过在解纠缠框架上应用2）动态自蒸馏方法，还可以去除其他隐含的干扰因素。此外，由于我们的框架中的解码器模块，3）提出了一种新的策略，以增加训练样本的基础上，不同的过剩和市场的功能，以提高性能。我们对中国股票市场的数据进行了实验。结果表明，该方法显著提高了股票趋势预测性能，并通过回测提高了实际投资收益，有力地证明了该方法的有效性。
2020-12-11 cs.AI cs.LG
A Hype-Adjusted Probability Measure for NLP Stock Return Forecasting
Johns Hopkins University（约翰斯·霍普金斯大学）
本文针对美国半导体板块股票，提出含炒作调整概率测度的NLP预测方法，通过新情绪得分方程处理新闻偏差等问题并扩展概率测度变换工具应用，提升了股票收益与波动率预测准确性。
2025-02-07 cs.LG q-fin.CP
Transformer Based Time-Series Forecasting for Stock
UT Austin（德克萨斯大学奥斯汀分校）
本文针对股票价格预测难题，提出将其建模为多变量时间序列预测，并利用自研 Transformer 变体 Stockformer 的注意力机制完成分析。
2026-10-06 cs.LG q-fin.CP
Multimodal Deep Learning for Finance: Integrating and Forecasting International Stock Markets
Sejong University（世宗大学）
在当今日益国际化的经济中，国际股票市场的回报和波动溢出效应是股票动态的主要宏观经济驱动力。因此，有关外国市场的信息是预测国内股票价格的最重要因素之一。然而，国内和国外市场之间的相互关系非常复杂。因此，很难用动力学方程明确地表达这种互相关。在这项研究中，我们使用多模态深度学习开发了可以共同考虑国际市场的股票收益预测模型。我们的贡献有三个方面：（1）我们通过散点图可视化韩国和美国股票市场之间的传递信息;（2）我们在多模态深度学习的帮助下将信息纳入股票预测模型;（3）我们最终证明，与后期融合和单一模态模型相比，早期和中期融合模型实现了显着的性能提升。我们的研究表明，联合考虑国际股票市场可以提高预测精度，深度神经网络对此类任务非常有效。
2019-09-19 cs.LG q-fin.CP
Stock Forecasting using M-Band Wavelet-Based SVR and RNN-LSTMs Models
Western Connecticut State University（西康涅狄格州立大学）
预测未来股票价值的任务一直是人们非常渴望的，尽管非常困难。这个困难来自股票的非平稳行为，没有任何明确的形式。因此，最好通过分析金融股票数据来进行预测。为了处理大数据集，目前的惯例涉及使用移动平均线。然而，利用小波变换代替移动平均去噪股票信号，金融数据可以平滑和更准确地分解。这种新转换，去噪和更稳定的股票数据可以通过非参数统计方法进行跟踪，例如支持向量回归（SVR）和基于循环神经网络（RNN）的长短期记忆（LSTM）网络来预测未来股票价格。通过这些方法的实施，人们得到了更准确的股票预测，进而增加了利润。
2019-04-17 cs.LG q-fin.CP stat.ML
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
Robust Analysis of Stock Price Time Series Using CNN and LSTM-Based Deep Learning Models
Praxis Business School（普拉克西斯商学院）
股票价格和股票价格运动模式的预测一直是一个关键的研究领域。虽然众所周知的有效市场假说排除了准确预测股票价格的任何可能性，但文献中有正式的命题证明了预测系统的准确建模，可以使我们以非常高的准确度预测股票价格。在本文中，我们提出了一套基于深度学习的回归模型，可以在股票价格预测中获得非常高的准确性。为了建立我们的预测模型，我们使用了2012年12月31日至2015年1月9日期间在印度国家证券交易所（NSE）上市的知名公司的历史股价数据。股票价格在一周内的每个工作日每隔五分钟记录一次。利用这些极其精细的股价数据，我们构建了四个卷积神经网络（CNN）和五个基于长短期记忆（LSTM）的深度学习模型，用于准确预测未来股价。我们提供了详细的结果，我们提出的所有模型的预测精度的基础上，他们的执行时间和均方根误差（RMSE）值。
2021-01-02 cs.LG q-fin.ST
Stock prices assessment: proposal of a new index based on volume weighted historical prices through the use of computer modeling
Universidade de São Paulo（圣保罗大学）
考虑成交量来分析股票价格走势的重要性可以被认为是金融领域广为接受的做法。然而，当我们审视这一领域的科学生产时，我们仍然无法找到一个统一的模型，其中包括用于种群评估目的的数量和价格变化。在本文中，我们提出了一个计算机模型，可以弥补这一差距，提出了一个新的指数来评估股票价格的基础上，他们的历史价格和交易量。除了该模型可以被认为是数学上非常简单，它能够显着提高与真实的金融数据操作代理的性能。基于所获得的结果，也非常直观的逻辑，我们的模型，我们相信，在这里提出的指数可以是非常有用的，以帮助投资者的活动，确定理想的价格范围买卖股票在金融市场。
2012-09-13 cs.LG q-fin.ST
A Hybrid Deep Learning Framework for Stock Price Prediction Considering the Investor Sentiment of Online Forum Enhanced by Popularity
Central South University（中南大学）
本文提出一种结合在线论坛投资者情绪与流行度因素的混合深度学习框架，用于提升股票价格预测的准确性。
2024-05-17 cs.CL cs.LG q-fin.ST
A Robust Predictive Model for Stock Price Prediction Using Deep Learning and Natural Language Processing
NSHM Knowledge Campus（NSHM知识学院）
股票价格未来走势的预测一直是许多研究工作的主题。有大量的文献对股票价格的技术分析，其目的是确定股票价格走势的模式，并从中获得利润。提高预测精度仍然是这一研究领域最大的挑战。我们提出了一种使用机器学习、深度学习和自然语言处理的混合方法来预测股价走势。我们选择印度国家证券交易所的NIFTY 50指数值，并收集其三年（2015年至2017年）的每日价格变动。基于2015年至2017年的数据，我们使用机器学习建立了各种预测模型，然后使用这些模型预测NIFTY 50在2018年1月至2019年6月期间的收盘价，预测范围为一周。为了预测价格走势模式，我们使用了一些分类技术，而为了预测股票的实际收盘价，我们使用了各种回归模型。我们还构建了一个基于长期和短期记忆的深度学习网络来预测股票的收盘价，并将机器学习模型的预测精度与LSTM模型进行了比较。我们通过在twitter数据上集成情绪分析模块，将公众对股票价格的情绪与市场情绪相关联，进一步增强了预测模型。这是通过使用twitter情绪和前一周收盘价来预测下周的股价走势。我们使用基于自组织模糊神经网络的交叉验证方法测试了我们提出的方案，发现了非常有趣的结果。
2019-12-09 cs.LG q-fin.ST
Comparative Study of Machine Learning Models for Stock Price Prediction
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Department of Electrical & Computer Engineering（电气与计算机工程系）
在这项工作中，我们将机器学习技术应用于历史股票价格，以预测未来的价格。为了实现这一点，我们使用递归的方法，是适当的处理时间序列数据。特别是，我们将线性卡尔曼滤波器和不同种类的长短期记忆（LSTM）架构应用于10年（1/1/2011 - 1/1/2021）的历史股票价格。我们通过计算每只股票的预测值与历史值的误差来量化这些模型的结果。我们发现，在我们研究的算法中，一个简单的线性卡尔曼滤波器可以预测低波动性股票的第二天价值（例如，微软（Microsoft）令人惊讶地好。然而，在高波动性股票的情况下（例如，特斯拉）更复杂的LSTM算法明显优于卡尔曼滤波器。我们的研究结果表明，我们可以对不同类型的股票进行分类，然后为每种股票类型训练一个LSTM。该方法可用于自动生成目标回报率的投资组合。
2022-01-31 cs.LG q-fin.ST
Design and Analysis of Robust Deep Learning Models for Stock Price Prediction
Praxis Business School（实践商学院）；NSHM Knowledge Campus（NSHM知识园区）
建立预测模型，对股票价格和股票价格走势进行鲁棒和准确的预测是一个具有挑战性的研究问题。著名的有效市场假说认为，在一个有效的股票市场中，由于股票价格被假设为纯粹随机的，因此不可能准确地预测未来的股票价格。然而，研究人员提出的许多工作已经证明，使用复杂的算法，模型架构和模型中适当变量的选择，可以高精度地预测未来股票价格。本章提出了一系列基于深度学习架构的预测回归模型，用于对印度国家证券交易所（NSE）多元化行业上市股票的未来价格进行稳健而精确的预测。Metastock工具用于以5分钟的间隔下载两年（2013- 2014）的历史股票价格。虽然第一年的记录用于训练模型，但测试使用剩余的记录进行。详细介绍了各模型的设计方法和性能结果。还比较了模型的执行时间和预测精度。
2021-06-17 cs.LG q-fin.ST
Transformer-Based Deep Learning Model for Stock Price Prediction: A Case Study on Bangladesh Stock Market
Ahsanullah University of Science and Technology（阿赫桑努拉科技大学）；University of Dhaka（达卡大学）；International Islamic University Chittagong（吉大港国际伊斯兰大学）
本文首次将基于time2vec编码的Transformer模型应用于孟加拉国达卡证券交易所，利用历史日和周数据预测八只特定股票价格走势，实验显示其均方根误差可接受且结果良好。
2022-08-17 cs.LG q-fin.ST
Predicting the Stock Price of Frontier Markets Using Modified Black-Scholes Option Pricing Model and Machine Learning
Black-Scholes期权定价模型（BSOPM）长期以来一直被用于股票期权的定价，以确定股票的价格。本文利用BSOPM方法，提出了一种比较分析的方法和数值计算的技巧，分别求出了看涨期权和看跌期权的价格，并将这两个价格分别作为前沿市场股票的买入价和卖出价，从而可以预测股票的价格（收盘价）。对模型进行了修改，以找到计算前沿市场股票价格的参数执行价格和到期时间。为了验证使用修改后的BSOPM获得的结果，我们使用了机器学习方法，使用软件Rapidminer，其中我们采用了不同的算法，如决策树，集成学习方法和神经网络。已经观察到，使用机器学习对收盘价的预测与使用BSOPM获得的预测非常相似。机器学习方法是一种比BSOPM更好的预测方法，因为Black-Scholes-Merton方程包含了不断变化的风险和股息参数。我们还对波动率进行了数值计算。当股票的价格由于定价过高而走高时，波动性以巨大的速度增加，当波动性变得非常高时，市场往往会下跌，这可以使用我们修改后的BSOPM来观察和确定。基于量子物理学中薛定谔方程（和热方程）的类比，对提出的修正BSOPM进行了解释。
2018-12-27 q-fin.MF q-fin.ST
Stock Price Prediction Under Anomalous Circumstances
University of Rochester（罗切斯特大学）
股票市场波动复杂，2020年更是如此。由于COVID-19大流行等一系列全球和地区“黑天鹅”，美国股票市场在3月9日至16日的一周内三次触发熔断机制，这在历史上是前所未有的。受此影响，个别公司的股票价格也以任何预先开发的预测模型都无法预测的速度暴跌。它揭示了缺乏令人满意的模型，可以预测股票价格的变化时，灾难性的，极不可能的事件发生。为了填补这类模型的空白，并帮助防止投资者在不确定的时期遭受重大损失，本文旨在捕捉异常情况下股票价格的运动模式。首先，我们通过拟合一个标准的ARIMA模型来检测连续股票价格中的异常值，并确定预测与实际值显著偏离的点。使用选定的数据点，我们分别在个股水平、行业水平和一般市场水平上训练ARIMA和LSTM模型。由于公众情绪对股票市场的影响巨大，因此情绪分析也以情绪分数的形式纳入模型中，情绪分数是从Reddit上对特定股票的评论转换而来的。基于2016年至2020年期间100家公司的股票价格，该模型的平均预测准确率达到98%，可用于优化现有的预测方法。
2021-09-14 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
Robust Transformer-Based One-Step Stock Index Forecasting via Shifted Data Augmentation
Faculty of Mathematics and Statistics, Ton Duc Thang University（孙德胜大学数学与统计学院）
提出改进的Transformer架构结合余弦退火学习率调度和移位数据增强（SDA），在VN30和S&P 500指数上有效降低预测误差和波动性，优于增加模型复杂度的方法。
2026-06-16 cs.LG q-fin.ST
Contrasting the efficiency of stock price prediction models using various types of LSTM models aided with sentiment analysis
SRM Institute OF Science And Technology（SRM科学技术学院）
该研究围绕短期与长期股价预测，探索如何结合公司预测、行业表现及公司状况来选择最优预测模型。
2023-07-15 cs.LG q-fin.ST
The Time Function of Stock Price
本文将股票价格与时间的定量关系定义为一个时间函数。基于股票对数收益率是白噪声序列的经验证据，建立了描述股票价格运动现象的整数白噪声数学模型。运用演绎方法推导出股价运动的自相关函数、位移公式和功率谱密度，不仅揭示了股价运动的特征和规律，而且揭示了股价的可预测性。为证券投资的价格分析、预测和风险管理提供了演绎基础。
2023-02-20 q-fin.ST
On the short-term influence of oil price changes on stock markets in GCC countries: linear and nonlinear analyses
本文研究了石油价格和海湾合作委员会股票市场之间的短期关系。由于海湾合作委员会国家是世界能源市场的主要参与者，它们的股票市场可能容易受到石油价格冲击的影响。为了解释股票市场对石油价格冲击的非线性反应，我们研究了线性和非线性关系。我们的研究结果表明，在卡塔尔、阿曼和阿联酋，这两个变量之间存在显著联系。因此，这些国家的股票市场对油价上涨作出积极反应。对于巴林、科威特和沙特阿拉伯，我们发现油价变化不会影响股票市场回报。
2009-05-24 q-fin.ST
News Sentiment Embeddings for Stock Price Forecasting
Department of Electrical \& Computer Engineering Rutgers University New Brunswick, NJ, USA Email
本文研究利用《华尔街日报》新闻标题的OpenAI文本嵌入与PCA特征提取来预测SPY日度价格走势，结合美元指数和国债收益率等数据训练390多个模型，发现新闻嵌入可至少提升40%的预测性能。
2025-06-19 cs.LG q-fin.ST
Absolute Value Constraint: The Reason for Invalid Performance Evaluation Results of Neural Network Models for Stock Price Prediction
University at Buffalo（布法罗大学）
股票价格预测神经网络（NNSPP）已经流行了几十年。但其研究成果大多停留在研究论文中，并不能真正在证券市场中发挥作用。导致这种情况的主要原因之一是基于预测误差（PE）的评估结果存在统计缺陷。其预测结果不能代表最关键的财务方向属性。因此，它不能为投资者提供令人信服的，可解释的，一致的模型性能评价结果，在证券市场的实际应用。为了说明这一点，我们使用了从中国上海和深圳股票市场六年来的20个股票数据集以及美国纳斯达克和纽约证券交易所的20个股票数据集中选择的数据。我们实现了六个浅层和深层神经网络来预测股票价格，并使用四个预测误差指标进行评估。结果表明，预测误差值仅部分反映了模型对股票价格预测的准确性，并不能反映模型预测股票价格的方向变化。这一特点决定了PE不适合作为NNSPP的评价指标。否则，将给投资者带来巨大的潜在风险。因此，本文建立了一个实验平台，证实了PE法不适用于NNSPP评价，并为今后创建新的NNSPP评价方法的必要性提供了理论依据。
2021-03-19 cs.LG q-fin.ST
Stock Price Prediction using Dynamic Neural Networks
University of Florida（佛罗里达大学）
本文通过动态神经网络预测每日收盘股价，对比现有方法并反驳有效市场假说，支持混沌理论，最终提出应用建议。
2023-06-18 cs.CE cs.LG q-fin.ST
Predicting Future Shanghai Stock Market Price using ANN in the Period 21-Sep-2016 to 11-Oct-2016
School of Computing and Informatics, University of Nairobi（内罗毕大学计算与信息学院）
预测任何股票市场的股票价格仍然是许多投资者和研究人员的追求。那些在股市交易的人倾向于在他们的预测中使用技术，基本面或时间序列分析。这些方法通常指导趋势，而不是确切的可能价格。正是由于这个原因，人工智能系统，例如人工神经网络，即具有误差反向传播的前馈多层感知器，可以用于这种预测。神经网络应用中的一个难点是确定合适的网络参数。作者在以前的研究中已经确定了网络参数为5：21：21：1，训练数据为80%或训练数据为4年的训练数据，作为股票预测的一个足够好的模型。该模型已在预测2016年9月21日至2016年10月11日期间的上海证券交易所股票中进行了测试，大约在这些预测发布后一周。本研究旨在证实简单的神经网络系统在典型的股票市场预测中可以相当强大。
2016-09-17 cs.LG q-fin.ST
Stock Price Prediction using Sentiment Analysis and Deep Learning for Indian Markets
Northwestern University（西北大学）；Great Learning
股票市场预测一直是一个活跃的研究领域。计算的到来，其次是机器学习，提升了研究的速度，并开辟了新的途径。作为这项研究的一部分，我们的目标是利用历史价格以及情绪数据的可用性来预测股票的未来走势。两个模型被用作练习的一部分，LSTM是第一个以历史价格为自变量的模型。使用强度分析器捕获的情绪分析被用作第二部分使用的随机森林模型的主要参数，一些宏观参数，如黄金，油价，美元汇率和印度政府证券收益率也被添加到模型中，以提高模型的准确性。作为最终产品，使用上述两个模型预测了Reliance、HDFC Bank、TCS和SBI 4只股票的价格。使用RMSE度量评估结果。
2022-04-07 cs.LG q-fin.ST
New procedures for testing whether stock price processes are martingales
我们提出了基于限价订单型投注策略的股票价格过程是否为鞅的检验方法。我们首先证明了基于一个投注策略的资本过程，可以检验股票价格过程的鞅性质的原假设。特别是高频马尔可夫型策略，我们发现，鞅零假设被拒绝许多股票价格过程。
2010-02-28 q-fin.ST
Volatilities That Change with Time: The Temporal Behavior of the Distribution of Stock-Market Prices
虽然波动率的使用在整个金融领域都很普遍，但我们确定股票瞬时波动率的能力才刚刚起步。在这里，我们提出了一种方法来衡量股票的时间行为，并表明，股票价格为24 DJIA股票遵循一个随机过程，描述了一个有效定价的股票，同时使用的波动率随时间的变化确定性。我们发现，经常观察到的，异常大的峰度是由于波动率的时间变化。我们的方法可以解决的波动性和漂移的股票一样快，一天使用每日收盘价的变化。
2010-07-29 q-fin.ST
Is there a bubble in LinkedIn's stock price?
最近的学术工作已经开发出一种方法来确定，在实时，如果一个给定的股票表现出价格泡沫。目前，金融媒体猜测LinkedIn最近IPO后存在价格泡沫。我们分析了该股票从2011年5月24日到2011年5月24日的短暂生命周期的股价数据，我们发现LinkedIn存在价格泡沫。
2011-05-28 q-fin.RM q-fin.ST
StockTime: A Time Series Specialized Large Language Model Architecture for Stock Price Prediction
Virginia Tech（弗吉尼亚理工学院暨州立大学）；Texas A&M University - Corpus Christi（德州农工大学科珀斯克里斯蒂分校）；University of Hamburg（汉堡大学）
针对金融大模型在股价预测中存在的模态融合难、忽略时序特征、易受冗余信息干扰等问题，提出专门面向股价时序数据的StockTime架构，通过将股价视为连续token提取文本信息并融合多模态数据，实现更准确且低资源消耗的股价预测。
2024-08-25 cs.AI cs.CE cs.LG
Stock Price Forecasting and Hypothesis Testing Using Neural Networks
Rice University（莱斯大学）；Department of Economics（经济学系）
在这项工作中，我们使用递归神经网络和多层感知器从历史数据中预测纽约证券交易所，纳斯达克和美国证券交易所的股票价格。我们使用不同的架构进行实验，并比较数据规范化技术。然后，我们利用这些发现，通过正式的统计检验来质疑有效市场假说。
2019-08-28 cs.LG econ.EM q-fin.ST
ANN Model to Predict Stock Prices at Stock Exchange Markets
University of Nairobi（内罗毕大学）
证券交易所被认为是许多国家金融部门的主要参与者。大多数从事股票交易的股票经纪人都使用技术、基本面或时间序列分析来预测股票价格，以便为客户提供建议。然而，这些策略通常并不能保证良好的回报，因为它们是根据趋势而不是最有可能的价格来指导的。因此，有必要探索改进的预测方法。该研究提出了使用人工神经网络，即具有误差反向传播的前馈多层感知器，并开发了一个配置为5：21：21：1的模型，在130，000个周期中具有80%的训练数据。该研究开发了一个原型，并在内罗毕证券交易所和纽约证券交易所等股票市场2008-2012年的数据上进行了测试，预测结果显示MAPE在0.71%和2.77%之间。使用Encog和Neuroph进行的验证实现了相当的结果。因此，该模型能够对典型的股票市场进行预测。
2014-12-17 cs.CE cs.LG cs.NE
The Quantitative Relations between Stock Prices and Quantities of Tradable Stock Shares and Its Applications
运用探索性数据分析方法，对中国股票市场6个时点的股票价格与流通股数量之间的定量关系进行了实证分析。结果表明，所得公式具有相同的结构，但不同的参数。本文还利用这些关系分析了中国政府在中国股票市场出售国有股政策的可行性。
2005-03-31 physics.soc-ph q-fin.ST
Interdependency between the Stock Market and Financial News
股票价格是由各种因素驱动的。特别是，许多金融知识相对较少的个人投资者在做出股票市场投资决策时严重依赖新闻报道的信息。然而，由于新闻的主观性，这些故事可能并不反映未来的股票价格;股票价格反而可能影响新闻内容。本研究旨在发现是新闻还是股票价格对另一个有更大的影响。为了实现这一点，我们分析了新闻情绪和股票价格之间的关系，基于时间序列分析，使用五种不同的分类模型。我们的实验结果表明，股票价格对新闻内容的影响大于新闻对股票价格的影响。
2019-09-01 cs.IR q-fin.ST
Collective behavior of stock prices in the time of crisis as a response to the external stimulus
本文利用格兰杰因果关系分析了美国和德国大公司股票价格之间的相互作用。我们认为，在危机时期，价格之间的成对格兰杰因果关系相互作用的增加是市场对外部事件或外部刺激的同时反应的结果，外部事件或外部刺激被认为是所有股票的共同驱动力，而不是价格本身之间真正的因果可预测性的结果。另一种方法，通过在单一股票价格序列的递归分析支持这一说法。通过在股票价格的几何布朗运动模型中加入一个乘法外生项作为外部因素的代表，来模拟股票价格中观察到的模式。总之，我们可以检测和模拟2007/2008年抵押贷款危机导致的大衰退的影响以及2020年初新冠肺炎爆发的影响
2022-05-09 q-fin.ST
Multifractal Properties of Price Fluctuations of Stocks and Commodities
我们分析了29种商品和2449种股票的每日价格，每种都是在$\approx 15$年的时间内。我们发现，商品的价格波动有一个显着更广泛的多重分形谱比股票。我们还建议，股票和商品的多重分形属性可以主要归因于价格波动的广泛的概率分布，其次是他们的时间组织。此外，我们提出，对于商品，更强的高阶相关性的价格波动导致更广泛的多重分形谱。
2003-08-01 cond-mat.stat-mech q-fin.ST
Boosting Stock Price Prediction with Anticipated Macro Policy Changes
Institute of Electrical and Electronics Engineers（电气与电子工程师协会）；University of Tennessee, Chattanooga（田纳西大学查塔努加分校）；University of South Dakota（南达科他大学）；University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
本研究提出一种结合预期宏观政策变化与宏观经济变量的股票价格预测方法，通过树基机器学习算法验证，其RMSE值1.61优于传统方法的1.75。
2023-10-27 cs.AI cs.LG q-fin.ST
Cross-shareholding networks and stock price synchronicity: Evidence from China
本文研究了交叉持股对中国股票市场上市公司股价同步性的影响。我们衡量公司的交叉持股水平的交叉持股网络的中心性。实证结果表明，交叉持股是通过一个噪声消减过程来促进价格同步性和减少价格延迟的。更重要的是，这种对价格信息的影响在大公司和市场低迷时期是明显的。总的来说，我们的分析提供了深入了解所有权结构和价格信息之间的关系。
2019-03-05 q-fin.ST
Statistical Properties and Pre-hit Dynamics of Price Limit Hits in the Chinese Stock Markets
一些股票市场（尤其是新兴市场）采用涨跌停板交易规则，试图冷却交易员对个股的短线交易狂热，提高市场有效性。在这种微观结构下，股票可能会不时触及涨停板和跌停板。然而，由于美国市场和大多数欧洲市场等主要股票市场没有设置价格限制，因此对价格限制的行为没有很好的研究。本文对2000 - 2011年上海证券交易所和深圳证券交易所所有A股普通股的高频数据进行了详细的分析，研究了涨停板的统计特性以及几个重要金融变量在股价涨停板前的动态演化。我们比较了上限命中和下限命中的性质。我们还将整个时期分为三个看涨时期和三个看跌时期，以揭示看涨和看跌市场状态下可能存在的差异。为了揭示股票市值对涨停板的影响，我们根据不同交易日的市值将所有股票分为六个投资组合。研究发现，涨跌幅限制交易规则具有冷却效应（反对磁铁效应），说明该规则在中国股票市场中有效。研究发现，在跌停后的下一个交易日，价格延续比价格反转更有可能发生，特别是对于跌停，这对市场从业者具有潜在的实用价值。
2015-03-12 q-fin.ST
Towards Earnings Call and Stock Price Movement
S&P Global（标普全球）
盈利电话会议由上市公司的管理层主持，与分析师和投资者讨论公司的财务业绩。财报电话会议期间披露的信息是分析师和投资者做出投资决策的重要数据来源。因此，我们利用盈利电话会议成绩单来预测未来的股票价格动态。我们建议使用深度学习框架对成绩单中的语言进行建模，其中应用注意力机制将文本数据编码为向量，以供判别式网络分类器预测股价走势。实证实验表明，该模型优于传统的机器学习基线，且盈余预告信息能够提高股票价格的预测性能。
2020-08-23 cs.CE cs.CL cs.LG
Generalized Stock Price Prediction for Multiple Stocks Combined with News Fusion
Graduate Institute of Electrical Engineering, National Taiwan University（国立台湾大学电子工程研究所）；Institute of Information Science, Academia Sinica（学术院信息科学研究所）；United Link Co., Ltd.（联合链接公司）；University of Washington（华盛顿大学）；National Tsing Hua University（国立清华大学）
本文提出一种结合新闻融合的多股票股价预测方法，利用预训练语言模型和注意力机制处理新闻数据，提升预测精度。
2026-03-08 cs.AI cs.CL cs.LG
Modeling stock price dynamics on the Ghana Stock Exchange: A Geometric Brownian Motion approach
本研究采用几何布朗运动模型对加纳证券交易所五只股票的周度和月度收益进行建模，估计参数并预测三个月，通过均方误差评估，发现预期价格与实际价格高度吻合，且实际价格均在置信区间内。
2024-03-19 math.OC q-fin.ST
Metaheuristics optimized feedforward neural networks for efficient stock price prediction
University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）
股票价格预测是经济学、投资学和财务决策中的一项重要任务。几十年来，这激发了许多研究人员的兴趣，致力于设计准确的股票价格预测模型;其中一些已被用来预测股票指数的第二天开盘价和收盘价。本文提出了一种混合共生生物搜索训练的前向神经网络模型的设计和实现，用于有效和准确的股票价格预测。利用共生体搜索算法作为一种有效的优化技术对前馈神经网络进行训练，并将训练结果用于建立更好的股票价格预测模型。此外，研究还提出了三种不同的股票价格预测模型的性能比较评估，即粒子群优化训练的前向神经网络模型，遗传算法训练的前向神经网络模型和著名的ARIMA模型。本研究以十六个股票指数为时间序列资料集，进行训练与测试。三个统计评估措施，即均方根误差，平均绝对百分比误差和平均绝对偏差的实施模型的结果进行比较。计算结果表明，共生生物搜索训练的前馈神经网络模型具有突出的预测性能相比，其他模型。然而，性能研究表明，三个元分析训练的前馈神经网络模型具有很好的预测能力，解决高维非线性时间序列数据，这是很难捕捉的传统模型。
2020-06-05 cs.LG q-fin.ST stat.ML
Integration of Wavelet Transform Convolution and Channel Attention with LSTM for Stock Price Prediction based Portfolio Allocation
本文提出融合小波变换卷积、通道注意力与LSTM的股价预测方法，并据此构建四只股票的投资组合，实验表明该方法在疫后下行市场中仍具有稳健的收益与风险表现。
2025-07-04 q-fin.ST
A Comparative Predicting Stock Prices using Heston and Geometric Brownian Motion Models
本文提出了一种新的方法来预测股票价格的技术分析。通过利用伊藤引理和Euler-Maruyama方法，研究人员开发了赫斯顿和几何布朗运动模型，这些模型考虑了波动率、利率和历史股价来生成预测。研究结果表明，这些模型在准确预测股票价格方面是有效的，并且优于常用的统计指标。作者的结论是，这种技术分析为基础的方法提供了一个有前途的解决方案，股票市场预测。
2023-02-15 cs.NA math.NA q-fin.ST
Power Law Distributions for Stock Prices in Financial Markets
本文研究了四个证券市场上市公司股票价格收益率的秩分布、累积概率和概率密度。我们发现，股票价格的等级分布和累积概率的交易是近似符合齐普夫定律或幂律。本文还得到了上市股票的归一化收益率的概率密度几乎具有指数函数的形式。我们的结果与其他数值计算进行了比较。
2004-12-01 cond-mat.other q-fin.ST
Universal Behavior of Extreme Price Movements in Stock Markets
许多研究假设股票价格遵循一个称为几何布朗运动的随机过程。虽然这个模型大致正确，但它无法解释极端价格波动的频繁发生，如股票市场崩盘。使用从三个不同的股票市场收集的大量数据，我们提出的证据表明，随机模型的修改-添加一个缓慢的，但显着的，波动的标准差的过程-准确地解释了不同大小的价格变化的概率，包括极端运动的相对较高的频率。此外，我们表明，这一过程是类似的股票，使其价格波动的特点是由一个单一的曲线。由于价格波动的行为是植根于波动的特点，我们希望我们的结果带来更多的兴趣，随机波动率模型，特别是那些可以产生的波动率的属性在这里报告。
2009-12-30 q-fin.ST
