Estimating value at risk: LSTM vs. GARCH
估计风险值的时间序列数据可能异方差动态是一个极具挑战性的任务。通常情况下，我们面临着一个小数据的问题，结合高度的非线性，造成困难的经典和机器学习估计算法。在本文中，我们提出了一种新的使用长短期记忆（LSTM）神经网络的风险价值估计器，并将其性能与基准Gestival估计器进行了比较。我们的研究结果表明，即使对于相对较短的时间序列，LSTM也可以用于改进或监控风险估计过程，并以非参数方式正确识别潜在的风险动态。我们评估了模拟数据和市场数据的估计量，重点是异方差性，发现LSTM在模拟数据上表现出与Gestival估计量相似的性能，而在真实市场数据上，它对波动性的增加或减少更敏感，并且在异常率和平均分位数得分方面优于所有现有的风险价值估计量。
2022-07-21 q-fin.RM q-fin.ST stat.ML
COMEX Copper Futures Volatility Forecasting: Econometric Models and Deep Learning
The Hong Kong University of Science and Technology, Guangzhou（香港科技大学（广州））；The Chinese University of Hong Kong（香港中文大学）
本研究对比计量模型与深度学习模型对COMEX铜期货波动率的预测效果，发现日度预测下HAR模型最优，小时级高频数据下深度学习模型表现优于GARCH且接近HAR。
2024-09-12 cs.LG q-fin.MF
FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics
FinBERT-BiLSTM模型结合双向LSTM与FinBERT，利用市场情绪动态提升加密货币价格预测精度，为投资者提供更可靠的决策支持。
2024-11-02 cs.LG q-fin.TR
The Hybrid Forecast of S&P 500 Volatility ensembled from VIX, GARCH and LSTM models
本研究比较了GARCH、LSTM及融合VIX指数的混合LSTM-GARCH模型，发现机器学习混合模型显著提升了S&P 500波动率预测准确性，有助于优化风险管理与投资决策。
2024-07-23 q-fin.PM q-fin.ST q-fin.TR
Unified GARCH-Recurrent Neural Network in Financial Volatility Forecasting
School of Business, Stevens Institute of Technology（史蒂文斯理工学院商学院）
本文提出GARCH-GRU和GARCH-LSTM模型，通过整合GARCH(1,1)动态提升金融波动预测的准确性、效率和稳健性。
2025-11-21 q-fin.RM q-fin.ST
Forecasting S&P 500 Using LSTM Models
本研究比较了ARIMA和LSTM模型在预测S&P 500指数上的表现，发现LSTM在MAE、RMSE和准确率上均优于ARIMA，证实了深度学习在处理波动性金融数据方面的潜力。
2025-01-29 cs.AI cs.LG q-fin.CP
Signal Simplification Is Not Predictive Simplification: Diagnosing Residual Neural Forecasting in Short-Horizon Volatility
University of Maryland, College Park（马里兰大学帕克分校）
该研究通过信号-预测-系统诊断框架，发现短期波动率预测中统计残差简化（方差降低约82%）并不改善残差LSTM的预测精度（MSE从0.3049升至0.3594），揭示了预测器-预处理器不对称性。
2026-10-05 cs.LG
Conditional heteroskedasticity in crypto-asset returns
本文使用已建立的计量经济学推理技术，即Gesthem家族模型，研究了比特币等加密货币资产的时间序列特性。这项研究的贡献是双重的。我探索了加密货币的时间序列特性，这是一种新型的金融资产，似乎很少或根本没有文献。我建议对Chu et al（2017）最近提出的计量经济学规范进行改进，这是第一个研究最流行的加密货币价格动态的计量经济学研究。关于他们研究可靠性的问题源于作者对甘精胰岛素创新分布的错误诊断。通过使用Kolmogorov型非参数检验和Khmaladze鞅变换，检查创新是否是高斯或GED。对于样本中的所有加密货币，所有GARCH（p，q）模型都强烈拒绝了高斯性，其中$p,q \in \{1,\ldots,5 \}$。对于正态性检验，我使用高斯-克朗罗德求积。利用广义误差分布的新息，利用极大似然估计GARCH模型的参数。为了计算P值，使用参数bootstrap方法。反对Chu et al（2017），我表明在一些常见假设下，有一个强有力的实证论据反对建模创新。
2018-12-24 q-fin.GN q-fin.ST
Forecasting Probability Distributions of Financial Returns with Deep Neural Networks
TripleSun Krakow, Poland（波兰克拉科夫TripleSun）
本研究采用1D CNN与LSTM预测三种金融收益分布参数，在六大股指上验证表明深度学习模型分布预测准确，偏态t分布LSTM表现最优，可作为传统计量模型的风险评估替代方案。
2025-08-30 cs.LG q-fin.RM
Asset Price Forecasting using Recurrent Neural Networks
Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工学院））
本论文的主要目的有三个，首先是预测两只股票，即高盛（GS）和通用电气（GE）。为了预测股票价格，我们使用了一个长短期记忆（LSTM）模型，在这个模型中，我们输入了另外两只与GS密切相关的股票的价格。其他模型如ARIMA被用作基准。实证结果表明了使用LSTM预测股票时的实际挑战。其中一个主要的动荡是一个反复出现的滞后，我们称之为“预测滞后”。第二个目的是对时间序列预测的任务发展一个更普遍和客观的观点，以便它可以被应用于辅助人工神经网络的任意预测。因此，试图区分以前的作品由一定的标准（由艾哈迈德Tealab写的评论论文介绍），以总结那些包括有效的信息。然后，通过可应用于时间序列预测任务的不同步骤的通用术语来统一和表达概括的信息。最后但并非最不重要的目的，这篇论文是阐述一个数学框架上的人工神经网络的基础。我们将使用Anthony L. Caterini，其中引入了通用神经网络的结构，并根据其描述的框架引入了梯度下降算法（其中包含反向传播）。最后，我们将这个框架用于特定的架构，这是我们专注于的递归神经网络，我们的实现是基于它的。这本书证明其定理主要是分类的情况。相反，我们证明了回归情况下的定理，这就是我们的问题。
2020-10-20 cs.LG q-fin.TR stat.ML
Susceptible Reservoir Architectures for Regime-Conditional Volatility Forecasting
Monodromy（英国Monodromy公司）
研究针对波动率预测中非线性模型可利用结构有限的问题，提出易感性架构（SUSA）及具体实现，结合复值蓄水池与状态条件专家，在Qiskit中实现q比特对应物，经实验评估，模型在与GARCH竞争及补充HARQ预测方面有良好表现。
2026-07-28 cs.LG
Generalized Distribution Prediction for Asset Returns
Reykjavik University（雷克雅未克大学）；University of Southampton（南安普顿大学）
提出基于LSTM的两阶段分位数预测方法，结合资产特征与市场数据，通过核密度估计生成资产收益概率分布，在合成与真实数据上显著优于基线模型。
2025-01-28 cs.LG q-fin.ST
Inflexible Multi-Asset Hedging of incomplete market
Shanghai University（上海大学）；University of Chinese Academy of Sciences（中国科学院大学）
针对不完全市场（含风险因子、非流动性和离散交易日期）中的对冲问题，提出跳跃-扩散模型，并用RNN、LSTM、Mogrifier-LSTM三种神经网络结合MSE与Huber损失求解，发现Mogrifier-LSTM表现最优且最快。
2023-05-11 cs.CE cs.LG q-fin.ST
Enhancing Cybersecurity in IoT Networks: A Deep Learning Approach to Anomaly Detection
Hebei Finance University（河北金融学院）
针对物联网扩张带来的网络安全威胁升级问题，提出融合LSTM与注意力机制的深度学习异常检测模型，在多类公开数据集上表现优于现有基线。
2024-12-11 cs.CR cs.LG
Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning
The Chinese University of Hong Kong（香港中文大学）；Tencent AI Lab（腾讯人工智能实验室）；City University of Hong Kong（香港城市大学）
我们提出一个简约分位数回归框架来学习金融资产收益率的动态尾部行为。我们的模型很好地捕捉了金融时间序列的时变特性和非对称重尾特性。它结合了流行的顺序神经网络模型的优点，即，LSTM，我们构造了一个新的参数分位数函数来表示资产收益的条件分布。我们的模型还单独捕获了高阶矩的序列依赖性，而不仅仅是波动性。在广泛的资产类别中，我们的模型的条件分位数或VaR的样本外预测优于Gestival家族。此外，所提出的方法不会遭受的问题，分位数交叉，也没有暴露的不适定性相比，参数概率密度函数的方法。
2020-10-16 cs.LG q-fin.RM q-fin.ST
Cryptocurrency Price Forecasting Using Machine Learning: Building Intelligent Financial Prediction Models
Gannon University（甘农大学）；International American University（国际美国大学）；Trine University（特莱恩大学）
本研究利用机器学习模型预测XRP/USDT收盘价，引入流动性代理指标VVR和VWAP，对比四种模型，发现LSTM在有无流动性指标下均表现最优，强调流动性对价格预测的重要性。
2025-08-02 cs.LG
Forex Trading Volatility Prediction using Neural Network Models
University College London（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
在本文中，我们研究了使用深度学习技术预测外汇货币对未来波动率的问题。本文以日内波动率的经验模式为指导，逐步展示了如何构建深度学习网络。数值结果表明，与传统基线（即自回归和GARCH模型）以及其他深度学习模型相比，多货币对输入的多尺度长短期记忆（LSTM）模型始终达到最先进的精度。
2021-12-03 cs.LG q-fin.ST
Practical Forecasting of Cryptocoins Timeseries using Correlation Patterns
University of Neuchâtel（纳沙泰尔大学）
本文研究不同加密货币价格趋势间的相关性模式，利用因果分析评估 GBM、LSTM 和 GRU 等时间序列预测技术的准确性，发现主流币种与其他加密货币存在强相关性，并公开了数据集与代码。
2024-09-05 cs.CE cs.LG
Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies
University of Washington（华盛顿大学）；University of Calgary（卡尔加里大学）
本文介绍了应用机器学习模型、改进的交易策略和拟可逆性方法优化股票期权预测和交易结果的关键方面。介绍了“拟可逆卷积神经网络在期权预测中的应用”研究的后续项目的研究成果。首先，该项目包括递归神经网络（RNN）和长短期记忆（LSTM）网络的应用，以提供一种预测股票期权趋势的新方法。此外，它还通过评估将多个ML模型组合在一起以改善预测结果和决策的实验方法来检查ML模型的依赖性。最后，给出了两种改进的交易策略和模拟投资结果。应用离散时间随机过程分析的二项资产定价模型和投资组合套期保值，提出了最优的投资预期。这些结果可以用于现实生活中的交易策略，以优化基于历史数据的股票期权投资结果。
2022-11-29 cs.LG q-fin.CP
Variational Heteroscedastic Volatility Model
University College London（伦敦大学学院）；Humboldt Universität zu Berlin（柏林洪堡大学）
我们提出了变分异方差波动率模型（VHVM）-一个端到端的神经网络架构，能够建模异方差行为的多元金融时间序列。VHVM利用深度学习几个领域的最新进展，即序列建模和表示学习，来模拟不同资产回报之间的复杂时间动态。VHVM的核心包括一个用于捕获资产之间关系的变分自动编码器，以及一个用于对这些依赖关系的时间演化进行建模的递归神经网络。VHVM的输出是协方差矩阵形式的时变条件波动率。我们证明了VHVM对现有方法的有效性，如广义自回归条件异方差（GARCH）和随机波动率（SV）模型在广泛的多变量外币（FX）数据集。
2022-04-11 cs.AI cs.LG q-fin.ST
Bayesian Modeling for Uncertainty Management in Financial Risk Forecasting and Compliance
iLynx Inc.（iLynx公司）；Cognitive Links；United International University（联合国际大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）；Washington University of Science and Technology（科学与技术华盛顿大学）
本文提出一种贝叶斯模型，用于金融风险预测与合规中的不确定性管理，通过提高风险处理能力和模型可解释性，实现更准确的VaR预测和欺诈检测。
2025-12-06 cs.AI cs.LG q-fin.RM
Short-term Load Forecasting with Distributed Long Short-Term Memory
University of Liverpool（利物浦大学）；Suzhou SeeEx Technology Co., Ltd（苏州悉智科技有限公司）
随着智能电表的使用，零售商可以收集有关消费者行为的大量数据。从收集的数据中，零售商可以获得家庭简档信息并实施需求响应。虽然零售商更喜欢在不同的客户中获得尽可能准确的模型，但有两个主要挑战。首先，零售市场上的不同零售商并不分享其消费者的用电数据，因为这些数据被视为他们的资产，这导致了数据孤岛的问题。其次，电力负荷数据是高度异构的，因为不同的零售商可能服务于不同的消费者。为此，提出了一种基于共识算法和长短期记忆（LSTM）的全分布式短期负荷预测框架，该框架既能保护用户隐私，又能满足准确的负荷预测需求。具体而言，一个完全分布式的学习框架被利用分布式训练，并应用共识技术，以满足保密隐私。案例研究表明，所提出的方法在准确性方面与集中式方法具有相当的性能，但所提出的方法在训练速度和数据隐私方面具有优势。
2022-10-17 cs.LG cs.MA
On the universality of the volatility formation process: when machine learning and rough volatility agree
Ecole Polytechnique（巴黎综合理工学院）；Exoduspoint Capital Management（Exoduspoint资本管理公司）
我们训练了一个基于由数百只流动股票组成的池化数据集的LSTM网络，旨在预测所有股票的下一个每日已实现波动率。显示出这种通用LSTM相对于其他资产特定参数模型的一致表现，我们发现了跨资产的通用波动率形成机制的非参数证据，这些资产将过去的市场实现（包括每日回报和波动率）与当前波动率联系起来。将粗糙分数随机波动率和二次粗糙赫斯顿模型与固定参数相结合的简约参数预测设备，其性能与通用LSTM相同，这从参数角度证实了波动率形成过程的普遍性。
2022-06-28 cs.LG q-fin.CP q-fin.RM
Liquidity Premium, Liquidity-Adjusted Return and Volatility, and Extreme Liquidity
本文提出创新的流动性溢价度量与流动性调整的收益及波动率，针对极端流动性资产构建了流动性调整的ARMA-GARCH/EGARCH模型，并证明其在极端流动性下优于传统模型且获实证支持。
2024-02-17 q-fin.CP q-fin.GN q-fin.PM
A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data
New York University Leonard N. Stern School of Business（纽约大学斯特恩商学院）
本文提出了一种基于长短期记忆网络（LSTM）的深度学习框架，该框架可以从逐个交易的数据中预测加密货币的价格走势。本研究的主要重点是从回顾期预测固定时间范围内的短期价格变化。通过精心设计特征和详细搜索最佳超参数，该模型经过训练，在近一年的逐交易数据上实现了高性能。最佳模型在样本外测试期间提供稳定的高性能（超过60%的准确度）。在现实的交易模拟环境中，模型做出的预测可以很容易地货币化。此外，这项研究表明，LSTM模型可以从逐个交易的数据中提取通用特征，因为学习的参数在其他未包含在训练数据中的加密货币工具上保持了良好的性能。本研究在数据规模和精度方面均超过现有研究，并取得了较高的预测精度。
2020-10-11 cs.AI cs.LG q-fin.ST
End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?
Critical Technologies, LLC（Critical Technologies有限责任公司）
研究端到端AI策略直接映射市场状态到投资组合权重，与简单规则策略比较，发现LSTM和Transformer在跨资产组合中表现优于规则，但Transformer交易更少且成本更低。
2026-07-02 q-fin.PM q-fin.ST q-fin.TR
Liquidity-adjusted Return and Volatility, and Autoregressive Models
本文提出流动性调整的ARMA-GARCH模型，通过流动性跳跃和扩散指标改进对加密货币等高流动性变异资产的建模，并验证LAMV组合优于传统TMV组合。
2025-03-02 q-fin.RM q-fin.ST q-fin.TR
Cross-Sectional Heterogeneity in LSTM Networks for Financial Time Series
Technical University of Darmstadt（达姆施塔特工业大学）；Department of Law and Economics（法律与经济系）
针对金融时间序列预测中LSTM难处理横截面异质性的问题，本文提出含可学习行业嵌入的扩展LSTM模型，结合宏观金融协变量，在标普500成分股多空策略中表现优于基准模型，还通过可视化和贡献指标提升了可解释性。
2026-08-14 q-fin.ST
Forecasting Volatility with Machine Learning and Rough Volatility: Example from the Crypto-Winter
本文在2022年加密寒冬背景下，验证了结合LSTM与粗糙波动率的框架在加密货币波动率预测中的有效性，发现通用LSTM和仅含五个非资产依赖参数的简约模型均表现优异，支持波动率形成机制的普适性。
2024-02-27 q-fin.MF q-fin.ST q-fin.TR
Comparing Deep Learning Models for the Task of Volatility Prediction Using Multivariate Data
The Australian National University（澳大利亚国立大学）；Monash University（莫纳什大学）；Euler Capital（欧拉资本）；Lensky Analytics（伦斯基分析公司）；University of Turku（图尔库大学）
该研究比较多种深度学习模型在多变量数据下预测波动率，发现时间融合Transformer及时间卷积网络变体优于经典GARCH和浅层网络，且差异显著。
2023-06-23 cs.LG q-fin.CP q-fin.RM
Recurrent Neural Networks with more flexible memory: better predictions than rough volatility
本文提出在输出各维度引入多个灵活时间尺度的扩展型LSTM，以捕捉长记忆与多尺度过程，并在资产波动率预测中实现更快、更稳定训练及较粗糙波动率约20%的性能提升。
2023-08-04 cs.LG q-fin.ST
Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for Midterm Stock Prediction
Columbia University（哥伦比亚大学）；Beijing Institute of Technology（北京理工大学）；New York University Shanghai（上海纽约大学）
中期股价预测是股票市场价值投资的关键。然而，大多数深度学习模型本质上是短期的，将它们应用于中期预测会遇到很大的累积误差，因为它们无法避免异常。在本文中，我们提出了一种用于中期股票预测的新型深度神经网络Mid-LSTM，它将市场趋势作为隐藏状态。首先，在自回归滑动平均模型（ARMA）的基础上，考虑隐含状态和资本资产定价模型，建立了一个中期ARMA模型。然后，设计了一个基于LSTM的中期深度神经网络，它由三个组件组成：LSTM，隐马尔可夫模型和线性回归网络。提出的Mid-LSTM模型能够避免异常现象，减少较大的预测误差，对影响股价的因素具有较好的解释效果。对标准普尔500指数股票的大量实验表明，（i）所提出的Mid-LSTM在预测准确性方面实现了2-4%的提高，（ii）在投资组合配置投资中，我们实现了高达120.16%的年回报率和2.99的平均夏普比率。
2019-08-03 cs.LG q-fin.ST stat.ML
High-performance stock index trading: making effective use of a deep LSTM neural network
University of Macedonia（马其顿大学）
我们提出了一个基于深度长短期记忆（LSTM）的神经网络来预测资产价格，以及一个成功的交易策略，用于根据模型的预测产生利润。我们的工作的动机是这样一个事实，即任何预测模型的有效性本质上是耦合到它所使用的交易策略，反之亦然。这突出表明了在制定共同最佳的模式和战略方面的困难，但也指出了比现行办法更广泛的调查途径。我们的LSTM模型在结构上很简单，并根据过去几个交易日的价格观察结果生成预测。该模型的架构被调整为提高盈利能力，而不是准确性，其策略不是简单地基于价格预测是上涨还是下跌进行交易，而是利用预测回报的分布，以及预测在该分布中的位置携带有关交易预期盈利能力的有用信息。该模型和交易策略在标准普尔500指数、道琼斯工业平均指数（DJIA）、纳斯达克指数和罗素2000指数上进行了测试，在2010-2018年期间分别实现了340%、185%、371%和360%的累计回报率，远远超过了基准的买入并持有策略以及最近的其他努力。
2019-05-08 cs.LG q-fin.ST stat.ML
The Effect of COVID-19 on Cryptocurrencies and the Stock Market Volatility -- A Two-Stage DCC-EGARCH Model Analysis
本研究采用两阶段DCC-EGARCH模型及VaR、CFVaR度量，分析COVID-19对加密货币与全球股市波动率的溢出效应，证实了显著长短期溢出及不同资产的风险表现差异。
2023-07-18 q-fin.RM q-fin.ST
Statistical Arbitrage in Polish Equities Market Using Deep Learning Techniques
University of Wrocław（沃拉兹赫大学）
利用深度学习技术对波兰股市进行统计套利，通过主成分分析、ETF和LSTM构建风险因子，评估不同复制方法在不同市场环境下的表现。
2025-11-20 cs.AI q-fin.ST
An empirical test for Eurozone contagion using an asset-pricing model with heavy-tailed stochastic volatility
本文对2008-2011年动荡时期欧洲股市的金融传染进行了实证检验。我们的分析表明，传统的高斯和高斯随机波动模型无法解释两个关键的程式化特征的全球市场在假定的传染期：冲击总的市场波动可能是突然的和爆炸性的，它们与特定的方向偏差的横截面的国家层面的回报。我们的模型通过假设波动率的随机冲击是重尾的，并且相互之间以及与收益之间都是横截面相关的来弥补这一缺陷。我们的分析的基本结论是，非常小心，需要在建模波动，如果一个人希望描述的波动和传染之间的关系，是由经济理论预测。在分析日常数据，我们发现在2010年5月和2011年8月的主要欧盟危机期间，传染效应的证据，其中传染被定义为过剩的相关性，从一个因子模型，结合全球和区域市场风险因素的残差。这种过度相关性可以通过量化冲击对预期收益率横截面中总体波动性的影响来解释--但事实证明，只有在极其仔细地解释这些冲击的爆炸性本质的情况下。我们发现，全球市场对这些冲击具有随时间变化的横截面敏感性，高敏感性强烈预测金融危机的时期。此外，波动率和收益率之间的相关性结构的时间变化模式很容易解释为有关时期的重大事件。
2012-03-26 q-fin.ST stat.AP
Comparative analysis of financial data differentiation techniques using LSTM neural network
本研究比较了传统对数收益与分数差分及其温度扩展方法在LSTM预测中的效果，发现分数差分能提升预测性能并有助于构建盈利交易策略。
2025-05-25 econ.EM q-fin.CP q-fin.ST
Macro-aware time series forecasting via hierarchical mixed-frequency attention models
IME-USP（圣保罗大学数学、应用计算和统计研究所）；University of Oxford（牛津大学）；UCLA（加州大学洛杉矶分校）；Kyushu University（九州大学）
提出HANET（层次注意力网络），通过层次交叉注意力机制将低频宏观状态与高频资产收益结合，在多个资产类别上提升预测性能和风险调整收益。
2026-05-30 q-fin.CP q-fin.ST
From Headlines to Holdings: Deep Learning for Smarter Portfolio Decisions
Columbia University（哥伦比亚大学）
提出一个端到端框架，结合LSTM、图注意力网络和新闻情感分析，直接学习投资组合权重，避免传统两步法的不稳定性，在九只美国股票上实现更高累计收益和夏普比率。
2026-05-25 q-fin.CP q-fin.PM q-fin.ST
