Convolutional Neural Network(CNN/ConvNet) in Stock Price Movement Prediction
Shiv Nadar University(希夫·纳达尔大学)
随着技术的进步和数据的指数增长,我们已经在不同的领域展开了神经网络的不同功能。在本文中,我尝试在股票市场中使用一种特定类型的神经网络,称为卷积神经网络(CNN/ConvNet)。换句话说,我试图根据过去的股票价格数据构建和训练一个卷积神经网络,然后试图预测股票价格的走势,即股票价格在未来一段时间内是上涨还是下跌。
2021-06-03 cs.AI cs.CV cs.LG
Enhancing Stock Movement Prediction with Adversarial Training
National University of Singapore(新加坡国立大学);Tsinghua Unversity(清华大学);University of Science and Technology of China(中国科学技术大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出了一种新的股票走势预测机器学习解决方案,旨在预测股票价格在不久的将来是上涨还是下跌。关键的新颖之处在于,我们建议使用对抗训练来提高神经网络预测模型的泛化能力。这里对抗训练的合理性在于,股票预测的输入特征通常基于股票价格,而股票价格本质上是一个随机变量,本质上随着时间的推移而不断变化。因此,使用基于静态价格的特征(例如接近价格)的正常训练很容易过拟合数据,不足以获得可靠的模型。为了解决这个问题,我们建议增加扰动来模拟价格变量的随机性,并训练模型在小而故意的扰动下工作良好。在两个真实的股票数据上的实验表明,该方法比现有的解决方案平均w.r.t.有3.11%的相对改进。准确性,验证了对抗训练对股票预测任务的有用性。
2019-06-01 cs.CE cs.LG q-fin.TR
Stock Movement Prediction with Financial News using Contextualized Embedding from BERT
Ecole Polytechnique(巴黎综合理工学院);Exoduspoint Capital Management France(法国Exoduspoint资本管理公司)
新闻事件可以极大地影响股票市场。在本文中,我们感兴趣的是预测股票价格的短期运动后,金融新闻事件使用的新闻标题。为了实现这一目标,我们引入了一种新的文本挖掘方法,称为微调上下文嵌入递归神经网络(FT-CE-RNN)。与以前使用静态向量表示的新闻(静态嵌入)的方法相比,我们的模型使用从双向编码器表示从Transformers(BERT)生成的标题(上下文化嵌入)的上下文化向量表示。我们的模型在这个股票走势预测任务上获得了最先进的结果。与其他基准模型相比,它在准确性和交易模拟方面都有显着改善。通过基于彭博新闻社数百万条头条新闻的各种交易模拟,我们展示了该模型在真实场景中的能力。
2021-07-19 cs.CL cs.LG q-fin.PM
Multi-Graph Convolutional Network for Relationship-Driven Stock Movement Prediction
University of Chinese Academy of Sciences(中国科学院大学);University of Macau(澳门大学)
由于金融市场的波动性,股票价格走势预测被普遍认为是一项非常具有挑战性的任务。以往的研究主要是根据股票自身的信息来预测股票价格,忽略了股票之间的交叉效应。然而,众所周知,单个股票的价格与其他股票的价格以复杂的方式相关。为了考虑交叉效应,我们提出了一个名为Multi-GCGRU的深度学习框架,它包括图卷积网络(GCN)和门控递归单元(GRU)来预测股票走势。具体来说,我们首先编码的股票之间的多种关系到图的基础上,金融领域的知识,并利用GCN提取交叉效应的基础上,这些预定义的图。为了进一步摆脱先验知识,我们探索了一种由数据自动学习的自适应关系。GCN产生的互相关特征与历史记录连接在一起,然后输入GRU以模拟股票价格的时间依赖性。在中国股市两个股指上的实验表明,我们的模型优于其他基线。请注意,我们的模型是相当可行的,以纳入更有效的股票关系,包含专家知识,以及学习数据驱动的关系。
2020-10-26 cs.LG q-fin.ST
Improved Stock Price Movement Classification Using News Articles Based on Embeddings and Label Smoothing
股票价格运动预测是金融学中一个具有挑战性的基本问题。虽然在现代行为金融学中,相关股票的股价往往会在新闻发布后通过投资者的反应和过度反应而发生变化,但如何通过定量模型来捕捉价格变动与新闻报道之间的关系是一个活跃的研究领域,现有模型已经取得了不同程度的成功。在本文中,我们建议通过结合深度学习的正则化和优化技术,使用新闻文章来改进股票价格走势分类。更具体地说,我们通过嵌入和双向递归神经网络来捕获新闻文章和股票之间的依赖关系,就像最近的模型一样。我们进一步结合了权重衰减,批量归一化,dropout和标签平滑,以提高训练模型的泛化能力。为了处理批量归一化验证精度的高波动,我们提出了双阶段训练来可靠地实现改进。我们在常用数据集上的实验结果显示出显着的改进,在测试集上实现了80.7%的平均准确率,比现有模型的绝对改进超过10.0%。我们的消融研究表明,批量归一化和标签平滑是最有效的,平均分别导致6.0%和3.4%的绝对改善。
2023-01-25 cs.AI cs.CL cs.LG
ALERTA-Net: A Temporal Distance-Aware Recurrent Networks for Stock Movement and Volatility Prediction
Virginia Tech(弗吉尼亚理工大学);South Dakota State University(南达科他州立大学);Texas A&M University - Corpus Christi(德克萨斯A&M大学科珀斯克里斯蒂分校)
本文提出ALERTA-Net,一种融合社交媒体情绪、宏观经济指标、搜索引擎数据与历史价格的多注意力时间距离感知循环网络,用于提升股票走势和波动率预测精度。
2023-10-28 cs.LG
CSPO: Cross-Market Synergistic Stock Price Movement Forecasting with Pseudo-volatility Optimization
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Cornell University(康奈尔大学);International Digital Economy Academy (IDEA)(国际数字经济学院(IDEA));The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Nanyang Technological University(南洋理工大学);McGill University(麦吉尔大学)
针对股票市场的外生性和波动率异质性,提出跨市场协同与伪波动率优化框架CSPO,利用外部期货知识增强嵌入,并通过伪波动率动态调整优化,提升预测准确性和鲁棒性。
2025-03-26 cs.AI cs.LG
An Efficient deep learning model to Predict Stock Price Movement Based on Limit Order Book
The Institute of Acoustics of the Chinese Academy of Sciences(中国科学院声学研究所);University of Chinese Academy of Sciences(中国科学院大学)
提出基于Siamese架构处理买卖方数据的方法,结合MHA与LSTM模块,利用中国A股军工股数据验证,在超75%情况下提升了强基线模型对股票价格变动的预测性能。
2025-05-14 cs.LG q-fin.TR
Higher Order Transformers: Enhancing Stock Movement Prediction On Multimodal Time-Series Data
Mila(米拉研究所);McGill University(麦吉尔大学);University of Montreal(蒙特利尔大学)
本文提出高阶 Transformer 架构,通过扩展自注意力至高阶并采用低秩近似与核注意力降低复杂度,结合多模态信号在 Stocknet 数据集上有效提升股票走势预测。
2024-12-13 cs.LG q-fin.ST
Exploring applications of topological data analysis in stock index movement prediction
Guangdong University of Finance(广东金融学院)
本文通过三种点云构建方法、四种拓扑特征及其15种组合与六种机器学习模型,在CSI、DAX、HSI和FTSE数据集上系统评估拓扑数据分析在股指走势预测中的效果。
2024-11-21 cs.LG physics.data-an
Predicting Stock Price Movement with LLM-Enhanced Tweet Emotion Analysis
Department of Electrical Engineering and Computer Science, University of Arkansas(电气工程与计算机科学系,亚拉巴马大学)
该研究提出融合LLaMA增强的推文情感特征与历史股价的LSTM框架,经三只股票实验验证,可显著提升短期股价变动预测准确率。
2025-10-04 cs.AI cs.LG
Stock Movement Prediction Based on Bi-typed Hybrid-relational Market Knowledge Graph via Dual Attention Networks
Southwestern University of Finance and Economics(西南财经大学);Beihang University(北京航空航天大学);Kwai Inc.(快手公司)
股票走势预测的目的是预测上市公司股票未来的价格走势,由于金融市场的波动性,这是一项具有挑战性的任务。近年来的金融研究表明,动量溢出效应在股票波动中起着重要的作用。然而,以往的研究往往只学习关联公司之间简单的关联信息,无法对现实金融市场中上市公司之间的复杂关系进行建模。为了解决这个问题,我们首先构建了一个更全面的市场知识图(MKG),它包含了两种类型的实体,包括上市公司及其关联高管,和混合关系,包括显式关系和隐式关系。之后,我们提出了DanSmp,一个新的双注意力网络学习动量溢出信号的基础上构建的MKG股票预测。在我们构建的数据集上对9个SOTA基线进行的实证实验表明,所提出的DanSmp能够提高股票预测与构建的MKG。
2022-01-24 cs.AI cs.LG q-fin.ST
Spatiotemporal Transformer for Stock Movement Prediction
University of Colorado, Colorado Springs(科罗拉多大学科罗拉多斯普林斯分校)
针对金融市场动态非线性导致股价预测困难的问题,提出时空Transformer-LSTM模型STST,在ACL18和KDD17数据集上分别取得63.707%和56.879%的准确率,模拟中利润比S&P500高至少10.41%,年化回报率最低31.24%。
2023-05-05 cs.AI cs.CE cs.LG
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
Gated Fusion Enhanced Multi-Scale Hierarchical Graph Convolutional Network for Stock Movement Prediction
College of Software, Northeastern University(东北大学软件学院);Neusoft Corporation(新soft公司)
针对股票走势预测中属性内模式与多尺度特征偏颇问题,提出 MS-HGFN 模型,通过层次化 GNN 模块和自上而下的门控融合机制全面捕捉时空依赖关系,在中美股市数据集上预测准确率最高提升 1.4%。
2025-11-03 cs.LG
Comparative Study of Long Short-Term Memory (LSTM) and Quantum Long Short-Term Memory (QLSTM): Prediction of Stock Market Movement
University of the Punjab(旁遮普大学);University of Jeddah(吉达大学)
本研究针对巴基斯坦股市走势预测难题,采用LSTM和QLSTM模型,基于2004-2020年26项多维度指标月度数据预测KSE 100指数,对比发现QLSTM是更具潜力的股市趋势预测技术。
2024-09-04 cs.AI cs.LG q-fin.ST
DGDNN: Decoupled Graph Diffusion Neural Network for Stock Movement Prediction
University of Bristol(布里斯托尔大学);Newcastle University(纽卡斯尔大学);Huawei Technologies Co., Ltd(华为技术有限公司)
针对静态股票图难以捕捉演化依赖且忽略层级特征的问题,提出DGDNN,利用熵驱动边生成、广义图扩散和解耦表示学习提升股票走势预测性能。
2024-01-03 cs.LG cs.NE
Explainable Text-Driven Neural Network for Stock Prediction
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学学院);Beijing Dublin International College(北京都柏林国际学院);School of Computer Science(计算机科学学院)
已有研究表明,财经新闻会导致股票价格的波动。然而,以前的工作,新闻驱动的金融市场预测只集中在预测股票价格的运动,没有提供一个解释。在本文中,我们提出了一个双层的注意力为基础的神经网络来解决这个问题。在初始阶段,我们引入了一种基于知识的方法来自适应地提取相关的金融新闻。然后,我们使用输入注意力来更多地关注更有影响力的新闻,并将日期嵌入与新闻表示的输出连接起来。最后,我们使用一个输出注意力机制来分配不同的权重,以不同的日子,他们对股票价格的运动的贡献。基于几只个股的历史价格的深入实证研究表明,我们提出的方法在股票价格预测相比,国家的最先进的方法的优越性。
2019-02-13 cs.CL cs.LG
Understanding the Impact of News Articles on the Movement of Market Index: A Case on Nifty 50
Praxis Business School(普拉西斯商学院)
本文针对以往研究忽视新闻主题差异的问题,结合多主题新闻情感分析 Nifty 50 指数走势,证明非市场类主题情感也会显著影响指数。
2024-11-22 cs.CL cs.LG q-fin.ST
Forecasting directional movements of stock prices for intraday trading using LSTM and random forests
BITS Pilani(比尔拉科学技术学院);Nanyang Technological University(南洋理工大学)
我们采用随机森林和LSTM网络(更准确地说是CuDNNLSTM)作为训练方法,分析它们在预测1993年1月至2018年12月期间标准普尔500指数成分股的样本外方向性走势方面的有效性。我们引入了一个多功能的设置,不仅包括收盘价的回报,但也相对于开盘价和日内回报。作为交易策略,我们使用Krauss et al.(2017)和Fischer & Krauss(2018)作为基准。在每个交易日,我们买入概率最高的10只股票,卖空概率最低的10只股票,以获得超过市场的日内回报--所有股票的货币权重都是相同的。我们的实证结果表明,在交易成本之前,多特征设置使用LSTM网络提供了0.64%的每日回报,使用随机森林提供了0.54%的每日回报。因此,我们的表现优于Fischer & Krauss(2018)和Krauss et al.(2017)中的单一特征设置,仅包括收盘价的每日回报,LSTM和随机森林的相应每日回报分别为0.41%和0.39%。
2021-06-30 cs.LG q-fin.ST stat.ML
Efficient Integration of Multi-Order Dynamics and Internal Dynamics in Stock Movement Prediction
Ecole Polytechnique Federale de Lausanne(洛桑联邦理工学院);Hanoi University of Science and Technology(河内理工大学);Griffith University(格里菲斯大学);Humboldt-Universität zu Berlin(柏林洪堡大学)
深度神经网络(DNN)架构的进步为股票市场数据提供了新的预测技术。与其他多变量时间序列数据不同,股票市场显示出两个独特的特征:(i)\emph{multi-order dynamics},因为股票价格受到强非成对相关性的影响(例如,(ii)\emph{internal dynamics},因为每只股票都表现出一些特定的行为。最近基于DNN的方法使用超图捕获多阶动力学,但依赖于卷积中的傅立叶基,这是低效和无效的。此外,他们在很大程度上忽略了内部动态,对每只股票采用相同的模型,这意味着严重的信息损失。在本文中,我们提出了一个框架,股票走势预测,以克服上述问题。具体来说,该框架包括时间生成过滤器,这些过滤器在LSTM网络上实现基于记忆的机制,试图学习每只股票的单个模式。此外,我们采用超图注意捕捉非成对相关。这里,使用小波基而不是傅立叶基,使我们能够简化消息传递并专注于局部卷积。美国市场数据的实验表明,我们的框架在利润和稳定性方面优于最先进的方法。我们的源代码和数据可在\url{https://github.com/thanhtrunghuynh93/estimate}上获得。
2022-11-24 cs.AI cs.IR cs.LG
TM-vector: A Novel Forecasting Approach for Market stock movement with a Rich Representation of Twitter and Market data
Zanjan University(赞詹大学);Humboldt University of Berlin(柏林洪堡大学);Sharif University of Technology(谢里夫理工大学)
本文提出TM-vector方法,融合Twitter用户特征与市场数据训练IndRNN,建模用户间及用户对市场的影响,在道琼斯30指数上实现高准确率的股市方向预测。
2023-03-13 cs.AI cs.LG cs.NA
COVID19-HPSMP: COVID-19 Adopted Hybrid and Parallel Deep Information Fusion Framework for Stock Price Movement Prediction
Concordia Institute for Information Systems Engineering(康考迪亚信息系统工程研究所);Concordia University(康考迪亚大学)
新型冠状病毒(COVID-19)突然改变了世界,正如我们在21世纪第三个十年开始时所知道的那样。特别是,COVID-19疫情对全球金融计量经济学及股票市场产生负面影响。基于人工智能(AI)和机器学习(ML)的预测模型,特别是深度神经网络(DNN)架构,有可能成为减少COVID-19大流行和未来可能对金融市场造成的不利影响的关键促成因素。在这方面,首先,本文介绍了一个独特的COVID-19相关PRICE运动预测(COVID-19 PRIMO)数据集,该数据集结合了与COVID-19相关的社交媒体趋势对股票市场价格走势的影响。之后,提出了一种新的混合和并行的基于DNN的框架,集成了不同的和多样化的学习架构。被称为COVID-19采用的股票价格走势预测的混合和并行深度融合框架(COVID-19-HPSMP),创新的融合策略用于将与COVID-19相关的分散的社交媒体新闻与历史标记数据相结合。提出的COVID 19-HPSMP由两条并行路径(因此是混合的)组成,一条基于具有局部/全局注意力模块的卷积神经网络(CNN),另一条集成了CNN和双向长短期记忆(BLSTM)的路径。性能评估是基于引入的COVID 19 PRIMO数据集进行的,该数据集说明了拟议框架的卓越性能。
2021-07-08 cs.LG eess.SP q-fin.RM
ChatGPT Informed Graph Neural Network for Stock Movement Prediction
Stevens Institute of Technology(史蒂文斯理工学院);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出利用 ChatGPT 从金融新闻文本中推断动态网络结构以增强图神经网络,在股票走势预测上超越最先进深度学习基准,并构建出收益更高、风险更低的投资组合。
2023-09-18 cs.AI cs.CL cs.LG
MiMIC: Multi-Modal Indian Earnings Calls Dataset to Predict Stock Prices
Jadavpur University(贾达沃大学)
本研究针对企业收益电话会议后预测股票价格的挑战,开发 MiMIC 多模态印度收益电话会议数据集,提出整合文本、视觉模态与定量变量的预测模型,提升金融预测准确性并公开数据集以促进相关研究。
2025-04-12 cs.AI cs.CL cs.LG
Stock Movement Prediction with Multimodal Stable Fusion via Gated Cross-Attention Mechanism
School of Information and Electronic Engineering, Zhejiang University of Science and Technology(浙江理工大学信息与电子工程学院);Department of Finance Accounting and Economics, Business School of Nottingham University(诺丁汉大学商学院金融会计与经济学系)
针对股票走势预测中多模态数据融合存在的数据稀疏、语义冲突及现有方法模态覆盖不足的问题,提出MSGCA架构,通过三模态编码、门控交叉注意力融合及预测模块实现稳定融合,在四个数据集上取得显著性能提升。
2024-12-02 cs.AI cs.LG q-fin.CP
MDGNN: Multi-Relational Dynamic Graph Neural Network for Comprehensive and Dynamic Stock Investment Prediction
Ant Group(蚂蚁集团);Alibaba Group(阿里巴巴集团)
针对股价预测中动态复杂关系建模的局限,提出多关系动态图神经网络(MDGNN)框架,结合离散动态图与Transformer结构捕捉股票间多重关系的时序演化,在公开数据集上达到SOTA性能。
2024-01-19 cs.IR cs.LG q-fin.ST
Equity forecast: Predicting long term stock price movement using machine learning
School of Computer Science, University of Manchester(曼彻斯特大学计算机科学学院)
针对长期股票价值预测难度大、机器辅助不足的问题,本文提出机器学习辅助的长期股价评估方法,可76.5%准确预测公司一年内价值是否上涨10%。
2018-11-22 cs.LG q-fin.GN
Stock Market Prediction from WSJ: Text Mining via Sparse Matrix Factorization
Princeton University(普林斯顿大学)
我们重新审视基于新闻文章预测股票价格方向性变动的问题:在这里,我们的算法使用《华尔街日报》的每日文章来预测当天的收盘股票价格。我们提出一个统一的潜在空间模型来描述股票价格和新闻文章之间的“协同运动”。与许多现有的方法不同,我们的新模型能够同时利用相关性:(a)股票价格之间,(b)新闻文章之间,以及(c)股票价格和新闻文章之间。因此,我们的模型能够对500多只股票(其中大部分甚至没有在任何新闻文章中提到)进行日常预测,同时具有较低的复杂性。我们对基于我们算法的交易策略进行了广泛的回溯测试。结果表明,我们的模型有更好的准确率(55.7%)相比,许多广泛使用的算法。基于我们模型的交易策略的回报率(56%)和夏普比率也远高于基线指数。
2014-06-27 cs.LG q-fin.ST
Generative Adversarial Network (GAN) and Enhanced Root Mean Square Error (ERMSE): Deep Learning for Stock Price Movement Prediction
Charles Sturt University(查尔斯特大学);University of Western Sydney(西悉尼大学);Kent Institute Australia(澳大利亚肯特学院);Asia Pacific International College(亚太国际学院);University of Technology, Baghdad(巴格达技术大学);University of Kurdistan Hewler(库尔德斯坦大学赫威勒);The University of Da Nang – University of Science and Education(岘港大学-科学教育大学)
股票价格走势预测在金融界和学术界都具有重要意义。股票价格包含着复杂的、不完全的、模糊的信息,这使得预测其发展趋势成为一项极其困难的任务。预测和分析金融数据是一个非线性、时变的问题。随着机器学习和深度学习的快速发展,这一任务可以通过专门设计的网络更有效地执行。本文旨在通过使用生成对抗网络的深度学习架构来提高预测精度并最大限度地减少预测错误损失。提出了一种通用的价格序列预测模型,该模型由相空间重构(PSR)方法和生成对抗网络(GAN)组成,生成对抗网络是由长短期记忆(LSTM)作为生成模型和卷积神经网络(CNN)作为判别模型的两种神经网络组合而成,用于对抗性训练来预测股票市场。LSTM将根据历史基本指标信息生成新的实例,然后CNN将估计数据是否是LSTM预测的或真实的。结果发现,生成对抗网络(GAN)在增强的均方根误差方面表现良好,因为它在预测方向方面的准确度提高了4.35%,处理时间和RMSE分别减少了78秒和0.029。本研究在股票指数的准确性方面提供了较好的结果。看来,所提出的系统集中在最小化均方根误差和处理时间,提高方向预测精度,并提供了一个更好的结果,在准确的股票指数。
2021-11-30 cs.LG cs.NE q-fin.ST
A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models
NSHM Knowledge Campus(NSHM知识校园);Praxis Business School(Praxis商学院)
预测股票价格的未来走势一直是研究人员面临的一项具有挑战性的任务。有效市场假说(EMH)的支持者认为,不可能设计出能够准确预测股价变动的预测框架,但有一些开创性的研究表明,股价的时间序列中看似随机的变动模式可以被高度准确地预测。这种预测模型的设计需要选择合适的变量,正确的变量转换方法,并调整模型的参数。在这项工作中,我们提出了一个非常强大和准确的股票价格预测框架,该框架由统计,机器学习和深度学习模型组成。我们使用每日股票价格数据,收集在五分钟的时间间隔,一个非常知名的公司,在印度国家证券交易所(NSE)上市。粒度数据在一天中被聚合到三个时隙中,并且聚合的数据用于构建和训练预测模型。我们认为,使用统计,机器学习和深度学习方法相结合的模型构建的聚合方法可以非常有效地从股票价格数据中的波动和随机运动模式中学习。我们基于统计和机器学习方法建立了八个分类和八个回归模型。除了这些模型之外,还构建了一个使用长短期记忆(LSTM)网络的深度学习回归模型。这些模型的性能上已经提出了广泛的结果,并对结果进行了批判性的分析。
2021-05-31 cs.LG q-fin.ST stat.ML
An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting
School of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机与软件学院)
针对现有股票走势预测研究忽略市场整体信息与数据高噪声的问题,提出融合市场与个股信息的注意力机制方法及改进EMD降噪算法,在美股ETF数据上表现优于现有基线。
2024-03-25 cs.AI cs.LG q-fin.ST
Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning
ETH Zürich(苏黎世联邦理工学院)
本研究结合基本面指标、技术指标和新闻情感,利用LSTM和Transformer模型预测盈利公告日的股价方向,发现Transformer在识别波动方面更敏感,且新闻情感有助于提升性能。
2026-05-25 cs.LG q-fin.ST
Incorporating Interactive Facts for Stock Selection via Neural Recursive ODEs
Southwestern University of Finance and Economics(西南财经大学);University of Maryland, College Park(马里兰大学帕克分校);Pennsylvania State University(宾夕法尼亚州立大学);University of Electronic Science and Technology of China(电子科技大学)
选股是对股票进行排序,以优化投资决策,使投资风险最小化,利润回报最大化。最近,研究人员开发了各种基于(循环)神经网络的方法来解决这个问题。毫无例外,他们主要利用历史市场波动来提高选择绩效。然而,这些方法在很大程度上依赖于离散采样的市场观察,这要么没有考虑股票波动的不确定性,或预测未来的连续股票动态。此外,一些研究考虑了多个领域(例如,行业和股东)。然而,不同领域之间隐含的交叉依赖性尚未得到充分的研究。为了解决这些问题,我们提出了一种新的股票选择解决方案-股票ODE,一个潜在的变量模型与高斯先验。具体来说,我们设计了一个运动趋势相关性模块,以揭示股票运动的时变关系。我们设计了神经递归常微分方程网络(NRODE),以连续动态的方式捕捉股票波动的时间演化。此外,我们建立了一个层次超图,以纳入股票之间的领域感知依赖。在两个真实世界的股票市场数据集上进行的实验表明,StockODE显着优于几个基线,如高达18.57%的平均改善夏普比率。
2022-10-28 cs.LG q-fin.ST
Predicting Stock Movement with BERTweet and Transformers
Georgia Institute of Technology(佐治亚理工学院)
本文研究融合社交媒体文本预测股票走势,提出利用专门在 Twitter 语料上预训练的 BERTweet 与 Transformer 架构,在无辅助数据的 Stocknet 上取得可比性能并刷新 MCC 基线。
2025-03-13 cs.AI cs.CE cs.LG
Dynamic Factor Analysis of Price Movements in the Philippine Stock Exchange
Division of Information Science, Graduate School of Science and Technology(信息科学系,科学与技术研究生学校);Nara Institute of Science and Technology(奈良科学技术大学);Department of Applied Mathematics and Physics, Graduate School of Informatics(应用数学与物理系,信息科学研究生学校);Kyoto University(京都大学);Department of Quantitative Methods and Information Technology, John Gokongwei School of Management(定量方法与信息技术系,约翰·戈康威管理学院);School of Mathematical and Physical Sciences, Faculty of Science(数学与物理科学学院,科学学院);University of Technology Sydney(悉尼技术大学);Department of Mathematics, School of Science and Engineering(数学系,科学与工程学院);Ateneo de Manila University(亚特兰大大学)
本研究通过动态因子分析揭示菲律宾股市价格波动的动态特征,利用Kalman方法和最大似然估计提取共同因子,验证传统市场理论并提升预测精度。
2025-10-08 cs.LG q-fin.ST stat.ML
Stock Index Prediction using Cointegration test and Quantile Loss
Yonsei University(延世大学);CODIT Corp.(CODIT公司);Chungbuk National University(忠北国立大学)
最近使用深度学习方法进行股票预测的研究已经得到了积极的研究。这是根据历史趋势预测未来股票价格走势的任务。仅根据图表上的历史运动模式而不是基本值来预测运动的方法称为技术分析,在回归任务中可以分为单变量和多变量方法。根据后一种方法,重要的是选择不同的因素和输入,以提高模型的性能。此外,其性能可以取决于使用哪个损失来训练模型。然而,大多数研究往往集中在建立模型的结构,而不是如何选择信息因素作为输入训练他们。在本文中,我们提出了一种方法,可以得到更好的性能在收益方面时,使用协整检验选择信息因素和学习模型使用分位数损失。我们比较了两个RNN变量与分位数损失只有五个因素,通过协整检验中收集的整个15个股票指数的因素在实验中。使用累积收益率和夏普比率来评估训练模型的性能。我们的实验结果表明,我们提出的方法优于其他传统的方法。
2021-09-29 cs.CE cs.LG q-fin.ST
Feature Engineering for Mid-Price Prediction with Deep Learning
Tampere University(坦佩雷大学);Danmarks Nationalbank(丹麦国家银行);Aarhus University(奥胡斯大学)
由于限价订单簿(LOB)的复杂性和动态性,基于LOB数据的中间价走势预测是一项具有挑战性的任务。到目前为止,基于LOB数据提取相关特征的尝试非常有限。在本文中,我们解决这个问题,设计了一套新的手工制作的功能,并进行了广泛的实验评估的液体和非流动性股票。更具体地说,我们实现了一组新的计量经济学特征,这些特征捕获了基础证券的统计特性,用于中间价预测任务。此外,我们开发了一个新的实验协议,在线学习,把任务作为一个多目标优化问题,并预测i)下一个价格变动的方向和ii)的数量订单簿事件发生,直到发生的变化。为了预测中间价走势,这些特征被输入到九个不同的深度学习模型中,这些模型基于多层感知器(MLP)、卷积神经网络(CNN)和长短期记忆(LSTM)神经网络。该方法的性能,然后评估液体和非流动性股票,这是基于TotalView-ITCH美国和北欧股票,分别。对于某些股票,结果表明,正确选择特征集和模型可以成功预测股价波动需要多长时间。
2019-06-07 cs.LG q-fin.ST
EP-GAT: Energy-based Parallel Graph Attention Neural Network for Stock Trend Classification
School of Computer Science University of Bristol(计算机科学学院 布里斯托大学);School of Computer Science Univeristy of Bristol(计算机科学学院 布里斯托大学);School of Physics Univeristy of Bristol(物理学院 布里斯托大学)
EP-GAT通过动态股票图和并行图注意力机制,有效预测多只股票未来走势,优于现有基线方法。
2026-03-03 cs.CE cs.LG
Stock Broad-Index Trend Patterns Learning via Domain Knowledge Informed Generative Network
New Jersey Institute of Technology(新泽西理工学院)
股票走势的预测一直是业界和学术界关注的焦点。尽管做出了如此重大的努力,但由于股票市场内在的复杂性,其结果仍然不令人满意,这些因素包括供求关系、经济状况、政治气候,甚至是非理性的人类行为。最近,生成对抗网络(GAN)已扩展到时间序列数据,然而,强大的方法主要是合成系列生成,这不足以适当的股票预测。这是因为用于股票应用的现有GANs遭受模式崩溃并且仅考虑一步预测,因此未充分利用GAN的潜力。此外,在当前的GANs中,合并消息和市场波动被忽视。为了解决这些问题,我们利用金融领域的专家知识,并首次尝试将股票走势预测制定为Wasserstein GAN框架进行多步预测。我们提出了IndexGAN,其中包括针对股票市场固有特征的故意设计,利用新闻上下文学习来彻底调查文本信息,并开发一个专注的seq2seq学习网络,该网络捕获股票价格,新闻和市场情绪之间的时间依赖性。我们还利用评论家来近似实际序列和预测序列之间的Wasserstein距离,并开发一种滚动部署策略,以减轻来自金融市场的噪声。在真实世界的广泛指数上进行了大量的实验,证明了我们的架构比其他最先进的基线具有更好的性能,也验证了其所有贡献组件。
2023-02-27 cs.LG q-fin.ST
Chinese Stock Prediction Based on a Multi-Modal Transformer Framework: Macro-Micro Information Fusion
Lumen AI(lumen人工智能公司);Tengzhou No. 1 Middle School(滕州市第一中学)
本文提出多模态Transformer框架MMF-Trans,融合宏观、微观、文本与事件知识,通过四通道编码与混合频率处理提升中国股市预测精度,在CSI 300任务中RMSE降23.7%,事件响应准确率升41.2%。
2025-01-28 cs.AI cs.LG
Event-Driven Learning of Systematic Behaviours in Stock Markets
NVIDIA(英伟达)
据报道,金融新闻,特别是新闻中表达的金融事件,为投资者的做多/做空决策提供信息,并影响股票市场的走势。基于此,我们利用金融事件流来训练一个分类神经网络,该网络可以检测美国股票市场中潜在的事件-股票联系和股票市场的系统行为。我们提出的流水线包括(1)一个组合的事件提取方法,利用开放信息提取和神经共指消解,(2)一个BERT/ALBERT增强的事件表示,和(3)一个扩展的分层注意力网络,包括对事件,新闻和时间水平的关注。与最先进的模型相比,我们的管道在预测标准普尔500指数、道琼斯指数、纳斯达克指数和10只个股时实现了更高的准确性和更高的模拟年化回报。
2020-10-23 cs.LG q-fin.ST
Stock Market Prediction using Natural Language Processing -- A Survey
Vellore Institute of Technology(韦洛尔理工学院)
股票市场是一个网络,它为几乎所有主要的经济交易提供了一个平台。虽然投资股票市场是一个好主意,但投资个股可能不是,特别是对临时投资者来说。聪明的选股需要深入的研究和大量的奉献精神。预测这种股票价值提供了巨大的套利获利机会。这种寻找解决方案的吸引力促使研究人员找到一种方法来解决波动性,季节性和时间依赖性等问题。本文综述了用于预测股票市场走势的自然语言处理和机器学习技术领域的最新文献。本文的主要贡献包括对近期许多文章的复杂分类和对股票市场预测及其相关领域的最新研究趋势的说明。
2022-08-26 cs.LG q-fin.ST
Learning to Generate Explainable Stock Predictions using Self-Reflective Large Language Models
National University of Singapore(新加坡国立大学);Eastspring Investments(东盛投资)
本文提出 SEP 框架,结合自反思智能体与 PPO,使 LLM 无需人工解释标注即可自主生成可解释股票预测,并在股票分类和投资组合构建任务中验证有效性。
2024-02-29 cs.CL 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
Detecting Pump&Dump Stock Market Manipulation from Online Forums
Queen’s University(女王大学)
社交媒体,低成本交易平台和天真的投资者的交叉为基于信息的市场操纵创造了理想的环境,特别是泵和转储。操纵者积累小盘股,在社交媒体上散布虚假信息以抬高价格,并在高峰时出售。我们收集了一个股票数据集,这些股票的价格和成交量曲线具有泵和转储的特征形状,以及与初始价格上涨时间相匹配的相同股票的社交媒体帖子。从这些数据中,我们根据社交媒体帖子中使用的语言构建了泵和转储事件的预测模型。有多种困难:不是每个帖子都能引起预期的市场反应,一些pump&dump事件可能是由其他论坛的帖子引发的,并且可能会出现帖子时间和市场走势的意外汇合。尽管如此,我们最好的模型达到了85%的预测准确率和62%的F1分数。这种工具可以向投资者和监管机构提供早期预警,提醒他们可能正在进行抽水和转储。
2023-01-26 cs.CL cs.LG cs.SI
Stock Price Prediction Using Convolutional Neural Networks on a Multivariate Timeseries
股票价格未来走势的预测一直是许多研究工作的主题。在这项工作中,我们提出了一种使用机器学习和基于深度学习的方法进行股票价格预测的混合方法。我们选择了印度国家证券交易所的NIFTY 50指数值,从2015年1月到2019年12月,为期四年。基于上述期间的NIFTY数据,我们使用机器学习方法建立各种预测模型,然后使用这些模型预测2019年NIFTY 50的收盘价,预测范围为一周。对于预测NIFTY指数的运动模式,我们使用了多种分类方法,而对于预测NIFTY指数的实际收盘值,我们建立了各种回归模型。然后,我们通过使用卷积神经网络构建一个基于深度学习的回归模型,并进行向前走验证,来增强模型的预测能力。对CNN模型的参数进行微调,使得验证损失随着迭代次数的增加而稳定,并且训练和验证精度收敛。我们利用CNN在预测未来NIFTY指数值方面的能力,使用三种方法,这些方法在预测中使用的变量数量,整体模型中使用的子模型数量以及用于训练模型的输入数据大小方面有所不同。对所有分类和回归模型的各种指标提出了广泛的结果。结果清楚地表明,基于CNN的多变量预测模型是最有效和准确的预测与每周预测范围内的NIFTY指数值的运动。
2020-01-10 cs.LG q-fin.CP q-fin.ST
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
Long-term, Short-term and Sudden Event: Trading Volume Movement Prediction with Graph-based Multi-view Modeling
Peking University(北京大学);Mizuho Securities Co.,Ltd(瑞穗证券株式会社)
交易量运动预测是各种金融应用的关键。尽管它的重要性,很少有关于这个问题的研究,因为它需要全面了解来自不同来源的信息。例如,多只股票之间的关系,最近的交易数据和突然发布的事件都是理解交易市场的必要条件。然而,大多数以前的方法只考虑了过去几周的波动信息,从而产生性能较差。为了解决这个问题,我们提出了一种基于图的方法,可以合并多视图信息,即,将股票的长期趋势、短期波动和突发事件信息联合成一个时间异质图。此外,我们的方法配备了深度典型分析,以突出不同波动角度之间的相关性,以便更好地预测。实验结果表明,我们的方法优于强基线的大幅度。
2021-08-23 cs.AI cs.LG q-fin.ST
GRUvader: Sentiment-Informed Stock Market Prediction
University of Brighton(布莱顿大学);Sheffield Hallam University(谢菲尔德哈勒姆大学)
本文比较多种机器学习股价预测方法,利用基于词典的情感分析验证情感指标与股价走势的相关性,并提出优化的 GRU 网络 GRUvader,证明 AI 增强模型优于独立模型。
2024-12-07 cs.AI cs.LG stat.AP
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
A Novel Ensemble Deep Learning Model for Stock Prediction Based on Stock Prices and News
Georgia State University(佐治亚州立大学)
近年来,机器学习和深度学习已经成为金融数据分析的流行方法,包括金融文本数据、数值数据和图形数据。本文提出使用情绪分析从多个文本数据源中提取有用的信息,并使用混合集成深度学习模型来预测未来的股票走势。混合集成模型包含两个层次。第一层包含两个递归神经网络(RNN),一个长短期记忆网络(LSTM)和一个门控递归单元网络(GRU),然后是一个完全连接的神经网络作为第二级模型。RNN,LSTM和GRU模型可以有效地捕获输入数据中的时间序列事件,并使用全连接神经网络集成多个单独的预测结果,以进一步提高预测精度。这项工作的目的是解释我们的设计理念,并表明集成深度学习技术可以更有效地预测未来股票价格趋势,并且可以比其他传统方法更好地帮助投资者做出正确的投资决策。
2020-07-23 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 Word is Worth A Thousand Dollars: Adversarial Attack on Tweets Fools Stock Predictions
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM(国际商业机器公司);University at Buffalo(布法罗大学);Michigan State University(密歇根州立大学)
越来越多的投资者和机器学习模型依赖于社交媒体(例如,Twitter和Reddit)收集实时信息和情绪,以预测股价走势。虽然基于文本的模型容易受到对抗攻击的攻击,但股票预测模型是否也有类似的脆弱性还有待研究。在本文中,我们使用各种对抗攻击配置来欺骗三种股票预测受害者模型。我们通过解决具有语义和预算约束的组合优化问题来解决对抗生成的任务。我们的研究结果表明,所提出的攻击方法可以实现一致的成功率,并在交易模拟中造成重大的金钱损失,通过简单地连接一个扰动,但语义相似的鸣叫。
2022-07-12 cs.CR cs.LG q-fin.ST