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
News-Driven Stock Price Forecasting in Indian Markets: A Comparative Study of Advanced Deep Learning Models
Pegasystems India Worldwide Pvt Ltd（佩加系统印度私人有限公司）；Vardhaman College of Engineering（瓦尔达曼工程学院）；Vasavi College of Engineering（瓦萨维工程学院）；D. K. College（D.K.学院）
本研究利用印度国家银行30年历史数据，结合LSTM、Facebook Prophet、SARIMA等深度学习模型及新闻情感分析，对印度市场股票价格进行预测比较研究。
2024-10-14 cs.LG 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
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
Effects of Daily News Sentiment on Stock Price Forecasting
Tiger Analytics（泰格分析公司）；Genpact（简柏特公司）；PWC（普华永道）；Techno India University（印度理工大学）；Praxis Business School（普拉克西斯商学院）
本文构建约3.7年、近50万篇新闻的NIFTY50新闻数据库，结合价格与多来源情绪分数训练LSTM，比较加入新闻情绪特征对股价预测性能的影响。
2023-08-02 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
Cross-Lingual News Event Correlation for Stock Market Trend Prediction
National University of Sciences and Technology（国立科技大学）；Bahria University（巴里亚大学）；Prince Sultan University（苏丹王子大学）
本文构建结构化金融数据集并提出跨语言自然语言金融预测流水线，结合情感分析、命名实体识别和语义相似度，揭示新闻事件与股市趋势的关联，为投资者提供决策支持。
2024-09-16 cs.LG 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
Stock price direction prediction by directly using prices data: an empirical study on the KOSPI and HSI
School of Industrial Management Engineering, Korea University（高丽大学产业管理工程学院）；Harbin Institute of Technology（哈尔滨工业大学）
股票市场方向的预测可以作为短期投资者的早期推荐系统，也可以作为长期股东的早期财务危机预警系统。许多股票预测研究都集中在使用宏观经济指标，如CPI和GDP，来训练预测模型。然而，几乎不可能获得宏观经济指标的每日数据。因此，这些方法很难在实践中使用。本文提出了一种直接利用价格数据预测市场指数方向和股票价格方向的方法。对韩国综合股价指数（KOSPI）和恒生指数（HSI）以及指数中包含的单个成分股进行了对所提出方法的广泛实证研究。实验结果表明，在预测KOSPI和HIS中单个成分的运动时，命中率显着较高。
2017-01-07 cs.CE cs.LG 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
Geography and distance effect on financial dynamics in the Chinese stock market
基于中国股票市场的个股日数据，研究了包括沪深两市在内的中国股票市场的地理效应。上海市和广东省可以确定在股票的地理部门。通过对一个地理参数的地理相关性的考察，发现股票的地理位置对金融动态有影响，但深圳市场在金融危机时期除外。进一步研究了股票距离效应，观察到股票距离分布的交叉行为。短距离的概率远大于长距离的概率。研究发现，上海股市的平均股票相关性随股票距离的变化而微弱衰减，而深圳股市的平均股票相关性随股票距离的变化而基本稳定。
2016-03-28 physics.soc-ph q-fin.ST
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
Emerging interdependence between stock values during financial crashes
为了识别交易股票之间新兴的相互依赖关系，我们通过查看每日股票价值，调查了2000-2015年期间富时100指数公司股票的行为。利用信息理论的力量来提取多个时间序列之间的直接影响，我们计算股票价值的信息流，以确定几个不同的制度。虽然在这一时期的大部分时间里发现了少量的信息流动，但在接近全球金融危机时出现了截然不同的情况，股票价值在很长一段时间内表现出强烈和实质性的相互依赖性。这种行为与人们通常对物理系统中接近临界状态的复杂系统的预期是一致的，表明了崩溃对股票市场的长期影响。
2016-11-08 q-fin.ST
Stock Embeddings: Learning Distributed Representations for Financial Assets
University College Dublin（都柏林大学）
识别金融资产的价格变动之间的有意义的关系是各种金融应用中具有挑战性但重要的问题。然而，随着最近的研究，特别是那些使用机器学习和深度学习技术的研究，主要集中在价格预测上，研究资产相关性建模的文献有所滞后。为了解决这个问题，受自然语言处理领域最近成功的启发，我们提出了一种用于训练股票嵌入的神经模型，该模型利用历史收益数据的动态性，以了解金融资产之间存在的细微差别关系。我们详细描述了我们的方法，并讨论了一些方法，它可以用于金融领域。此外，我们提出了评估结果，以证明这种方法的实用性，相比几个重要的基准，在两个现实世界的金融分析任务。
2022-02-14 cs.LG q-fin.CP 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
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
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
Stylized Statistical Facts of Indonesian Financial Data: Empirical Study of Several Stock Indexes in Indonesia
本文试图揭示金融的一般统计特征;时间序列数据，受到几个金融时间序列数据目前在印度尼西亚，例如，个别指数，如PT的股票价格。TELKOM、PT HM SAMPOERNA的股票价格和编制的股票价格指数（雅加达股票交易所指数）。我们试图分析的特征是波动聚集，截断Levy分布和多重分形特征。本文的分析为进一步研究印度尼西亚人工证券交易所提供了指导，该人工证券交易所代表了印度尼西亚证券交易所的微观结构。本文是自上而下的统计行为分析的一个恢复，成为开始一个更自下而上的分析的基础。
2004-03-18 cond-mat.other 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
Accurate Stock Price Forecasting Using Robust and Optimized Deep Learning Models
Praxis Business School（普拉克斯商学院）
设计鲁棒的框架来精确预测股票的未来价格一直被认为是一个非常具有挑战性的研究问题。经典有效市场假说的支持者认为，由于股票价格变量的随机性，在一个有效运行的市场中，不可能准确地预测未来的价格。然而，在文献中存在着许多具有不同程度的复杂性和复杂性的命题，这些命题说明了如何设计算法和模型来对股票价格进行有效、准确和稳健的预测。我们提出了十个深度学习回归模型，用于精确和稳健地预测印度汽车行业一家关键公司股票的未来价格。使用以5分钟间隔收集的非常细粒度的股票价格，我们基于2012年12月31日至2013年12月27日的记录训练模型。使用2013年12月30日至2015年1月9日的记录对模型进行测试。我们解释了模型的设计原理，并根据预测的准确性和执行速度分析了其性能的结果。
2021-03-28 cs.LG q-fin.MF q-fin.ST
Hierarchical structure of stock price fluctuations in financial markets
金融市场和动荡由于相同的定量方法和几个共同的程式化事实而被广泛地比较。本文应用She-Leveque（SL）体系来研究和量化金融市场中股票价格波动的层次结构，该体系用于解释流体湍流中速度波动的标度指数偏离Kolmogorov单分形标度的现象.因此，我们观察到一些有趣的结果：（i）与多重分形标度相关的层次结构普遍存在于我们研究的所有股票价格波动中。(ii)发达金融市场与新兴市场之间描述SL层次结构的定量统计参数存在明显差异。(iii)对于高频股票价格波动，不同时间段的层次结构不同。这些结果为研究金融市场的波动性和金融市场动力学提供了一个新的类比，也为深入理解金融市场的多重分形性提供了一个新的视角。
2012-09-19 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
Neural networks for stock price prediction
Henan Normal University（河南师范大学）；Yunnan Normal University（云南师范大学）；Sichuan University（四川大学）
由于金融市场的剧烈波动性，股票价格预测是一项极具挑战性的任务。然而，为了盈利或了解股票市场的本质，许多市场参与者或研究人员试图使用各种统计，计量经济学甚至神经网络模型来预测股票价格。在这项工作中，我们调查和比较五个神经网络模型，即反向传播（BP）神经网络，径向基函数（RBF）神经网络，一般回归神经网络（GRNN），支持向量机回归（SVMR），最小二乘支持向量机回归（LS-SVMR）的预测能力。我们应用这五个模型对中国银行、万科A和贵州茅台三只个股进行了价格预测。以均方误差和平均绝对百分比误差为评价标准，我们发现BP神经网络的预测性能一致且鲁棒性好于其他四种模型。
2018-05-29 cs.LG q-fin.ST stat.ML
Methods for Acquiring and Incorporating Knowledge into Stock Price Prediction: A Survey
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Shanghai Jiao Tong University（上海交通大学）；The Chinese University of Hong Kong（香港中文大学）
本文系统综述了从非结构化数据中获取外部知识并将其融入股价预测的方法，重点区分非图与图两类知识表示，并梳理融合策略、数据集及未来研究方向。
2023-08-09 cs.AI cs.LG q-fin.ST
The Local Fractal Properties of the Financial Time Series on the Polish Stock Exchange Market
我们研究的基础上的华沙证券交易所指数（WIG）的演变与最大的发展中金融市场在欧洲的金融时间序列的局部分形性质。计算WIG时间序列的局部赫斯特指数，我们发现WIG时间序列的局部分形特性的行为和金融市场上的崩溃外观之间的一个有趣的依赖关系。
2007-08-02 cs.CE physics.data-an q-fin.ST
DSE Stock Price Prediction using Hidden Markov Model
股票市场预测是一个经典的问题，已经使用基于机器学习和人工神经网络的工具和技术进行了彻底的研究。这个问题的有趣方面包括其时间依赖性以及其波动性和其他复杂关系。为了将它们结合起来，隐马尔可夫模型（HHHRM）被用来预测股票的价格。我们展示了最大后验概率（MAP）HMM方法预测股票价格为第二天的基础上以前的数据。通过分析股票价格的分数变化以及日内最高和最低值来训练HMM。然后，它被用来产生第二天所有可能的股票价格的MAP估计。在我们的工作中展示的方法是相当普遍的，可以用来预测任何公司的股票价格，因为HMM是在该公司的股票数据集的数据集上训练的。我们使用一些广泛使用的回归问题的准确性度量来评估我们的模型的准确性，并得出了令人满意的结果。
2023-01-26 cs.CE q-fin.ST
Defining an intrinsic stickiness parameter of stock price returns
我们引入了一个非线性的股票收益定价模型，定义了一个粘性参数的回报。该定价模型类似于金融中使用的资本资产定价模型，但具有受地震构造板块运动模型启发的非线性成分。与板块运动的联系是存在的，因为一个给定的股票指数的价格波动被认为会增加其个股回报组成部分的压力，以便跟随指数。个股跟随指数价格走势的紧密程度可以用来定义它们的粘性
2020-05-05 q-fin.GN q-fin.ST
Volatility Dynamics of Wavelet-Filtered Stock Prices
研究了小波滤波后股票价格时间序列的波动动力学特征.利用小波滤波的通用阈值方法和噪声分量的最小线性自相关原理，我们发现去噪后的序列波动动力学的定量特征与原始数据和噪声序列波动动力学的定量特征明显不同。
2006-12-18 physics.soc-ph q-fin.ST
Power law for ensembles of stock prices
本文定量研究了{ \it股票价格}系综的统计性质。我们选择了在东京证券交易所交易的1200只股票，并形成了从1988年1月4日到1992年12月30日的5年期间每个交易日的每日股票价格的统计集合。我们发现，合奏的互补累积分布函数的尾部准确地描述了幂律分布的指数，在$ 1.7 < α< 2.2 $的范围内移动。
2006-03-17 cond-mat.stat-mech physics.soc-ph q-fin.ST
Stylized facts of price gaps in limit order books: Evidence from Chinese stocks
价差定义为限价订单簿（LOB）同一侧前两个被占用价格水平之间的对数价差，是市场深度的关键决定因素，市场深度是流动性的一个维度。然而，价格差距的属性还没有得到彻底的研究，由于可用的频率数据较少。本文利用2003年深圳证券交易所上市的26只A股股票的订单流数据，对LOB动态进行了重构。三个关键的实证统计性质的价格差距进行了研究。我们发现，价格差距的分布有一个幂律尾所有股票的平均尾部指数接近3.2。应用现代统计方法，证实了林隙时间序列具有长程相关性和多重分形性质。这三个特征因股票而异，并不具有普遍性。此外，我们还揭示了个股LOB买卖双方价差特性中的买卖不对称现象。这些发现加深了我们对普通股流动性动态的理解，并可用于校准基于代理的计算金融模型。
2014-05-06 q-fin.ST q-fin.TR
Effect of the U.S.--China Trade War on Stock Markets: A Financial Contagion Perspective
在本文中，我们调查了美国的影响--基于高频金融数据，从金融传染的角度看中国贸易战对股票市场的影响。具体来说，为了解释中美股票市场之间的风险传染，我们建立了一个新的跳跃-扩散过程。例如，我们考虑三个渠道的波动传染-如综合波动，正跳变，负跳变-和每个股票市场能够影响其他股票市场作为一个隔夜风险因素。我们发展了一个模型参数的拟极大似然估计，并建立了它的渐近性质。此外，为了识别传染渠道和测试结构突变的存在，我们提出了假设检验程序。通过实证研究，我们发现了金融危机从美国向中国传染的证据，以及风险传染渠道从综合波动率向负跳跃变化的证据。
2021-11-18 q-fin.ST stat.ME
Modeling record-breaking stock prices
本文研究了标准普尔500指数中366只股票的日股价破纪录事件的统计。讨论了每日股票价格中的记录事件和每日收益中的记录。在这两种情况下，我们都试图用简单的理论模型来描述股票数据的记录统计。每日收益与i.i.d. RV的和股票价格建模使用有偏随机游走，其中记录的统计数据是已知的。这些模型与股票数据的行为部分一致，但我们也发现了一些有趣的偏差。最重要的是，与随机游走模型相比，股票中的记录数量似乎系统地减少了。考虑自回归AR（1）过程，我们可以更准确地预测每日股票价格的记录统计量。我们还将股票数据与更复杂的GARCH（1，1）模型的记录统计模拟进行了比较，GARCH（1，1）模型与AR（1）模型相结合，与观测数据最吻合。为了更好地理解我们的研究结果，我们讨论了股票价格在一定时间间隔内的生存时间和首次通过时间，并分析了单个记录事件之间的相关性。在概括了N只股票集合的记录统计的一些最新结果之后，我们还提出了一些新的观察记录事件的周分布。
2013-07-08 physics.data-an q-fin.ST stat.AP
Topological Properties of Stock Networks Based on Random Matrix Theory in Financial Time Series
通过比较原始股票网络与由随机矩阵理论（RMT）生成的相关矩阵估计的股票网络，研究了股票网络的拓扑性质.我们使用了韩国、日本、加拿大、美国、意大利和英国市场指数上交易的个股。结果如下。由于相关矩阵反映了更多的特征值属性，因此由相关矩阵估计的股票网络逐渐增加了与原始股票网络的一致程度。每只股票与原始股票网络中其他股票的链接数量不同，表现出不同的反应。特别是，最大的特征值是一个重要的确定性因素，在股票网络的形成。
2007-09-14 physics.data-an q-fin.ST
