SIFT: Search Intent-to-Filter Transformer for Multi-Task Personalized Filter Ranking at Airbnb
Airbnb(爱彼迎)
提出SIFT,一种基于Transformer的筛选器排序模型,从行为序列学习客人偏好,统一表示支持多任务,离线计算保证服务速度,显著提升预订与筛选器参与度,并已全面部署。
2026-10-07 cs.LG
Modeling Price Elasticity for Occupancy Prediction in Hotel Dynamic Pricing
Zhejiang University City College(浙江大学城市学院);Alibaba Group(阿里巴巴集团);Singapore Management University(新加坡管理大学)
需求估计在动态定价中起着重要的作用,在动态定价中,可以通过基于需求曲线的收益最大化来获得最优价格。在线酒店预订平台中,客房的需求或入住率因客房类型而异,并随时间而变化,因此获得准确的入住率估计具有挑战性。在本文中,我们提出了一种新的酒店需求函数,明确的入住预测需求的价格弹性模型,并设计了一个价格弹性预测模型,学习动态价格弹性系数的各种影响因素。我们的模型由精心设计的弹性学习模块组成,以减轻内隐问题,并在多任务框架中进行训练以解决数据稀疏问题。我们在真实世界的数据集上进行了全面的实验,并验证了我们的方法在占用预测和动态定价方面优于最先进的基线。
2022-08-11 cs.IR cs.LG econ.GN
Vehicle Price Prediction By Aggregating decision tree model With Boosting Model
针对二手车价格预测属性多、难度大的问题,构建Python脚本预处理数据,结合决策树与梯度提升模型进行预测,经评估性能良好,所用数据集对同类研究有参考价值。
2023-07-29 cs.LG
Stock Prices Prediction using Deep Learning Models
Xiamen University(厦门大学);National Chung Hsing University(中兴大学);Yuan Ze University(元智大学)
金融市场在现代社会的发展中起着至关重要的作用。它们允许部署经济资源。股票价格的变化反映了市场的变化。在本研究中,我们专注于通过深度学习模型预测股票价格。这是一项具有挑战性的任务,因为与股票价格相关的信息中存在许多噪音和不确定性。因此,这项工作使用具有一维(1-D)残差卷积网络的稀疏自编码器(这是一种深度学习模型)来对数据进行去噪。然后使用长短期记忆(LSTM)来预测股票价格。过去的价格、指数和宏观经济变量是用来预测第二天价格的特征。实验结果表明,1-D残差卷积网络可以去噪数据和提取深度特征,优于结合小波变换(WT)和堆叠自编码器(SAE)的模型。此外,我们还比较了两种不同的股票价格预测指标:绝对股票价格和价格变化率下模型的性能。结果表明,通过股价变化率预测股价比直接预测绝对股价更好。
2019-09-25 cs.LG
Second Hand Price Prediction for Tesla Vehicles
特斯拉汽车在汽车行业非常受欢迎,因为它在消费者市场上价格实惠,而且没有碳足迹。由于特斯拉公司(Tesla Inc.)股价大幅下跌,2019年初,特斯拉车主开始在二手车市场出售他们的车辆。这些二手车价格取决于车辆的型号、生产年份、行驶里程和车辆使用的电池等属性。不同月份的具体车辆价格不同。在本文中,它是讨论如何实现机器学习技术,以开发一个二手特斯拉汽车价格预测系统。为了实现这一目标,不同的机器学习技术,如决策树,支持向量机(SVM),随机森林,和深度学习进行了研究,并最终实现了提升决策树回归。在未来,它打算使用更复杂的算法来获得更好的准确性。
2021-01-11 cs.LG
House Price Prediction Based On Deep Learning
Liaoning University(辽宁大学);Lehigh University(理海大学)
自古以来,中国人所追求的东西很简单,无非就是“安居乐业,衣食住行”。改革开放40多年后的今天,人们基本解决了温饱问题,迫切需要解决的是住房问题。如今,由于蛋壳等长租公寓中介平台的风波,增加了租房者的不安全感,以及近年来的城镇化和各大城市的抢人潮,这将使未来房地产市场竞争更加激烈。为了更好地把握房地产价格,让消费者合理购房,并为政府制定政策提供参考,本文总结了现有的房价预测方法,提出了一种基于混合深度视觉和文本特征的房价预测方法。
2022-04-19 cs.LG
Investigation Into The Effectiveness Of Long Short Term Memory Networks For Stock Price Prediction
Colyton Grammar School(科尔顿文法学校)
本文研究了通过时间反向传播训练的长短期记忆网络在股票价格预测中的有效性。一系列不同架构的LSTM网络被构建、训练和测试。
2016-08-28 cs.LG cs.NE
Automated Agriculture Commodity Price Prediction System with Machine Learning Techniques
University of Nottingham Malaysia(诺丁汉大学马来西亚分校)
本研究的目的是研究并设计一个结合新型机器学习技术的农产品价格自动预测系统。由于农产品价格的历史数据量越来越大,以及对价格波动进行准确预测的需要,解决方法在很大程度上从统计方法转向了机器学习领域。然而,从历史数据中选择合适的集合进行预测仍然有有限的考虑。另一方面,在实施机器学习技术时,寻找一个具有全局最优参数、非线性和避免维数灾难的合适模型仍然是最大的挑战,因此需要对机器学习策略进行研究。在本研究中,我们提出了一个基于网络的农业商品价格自动预测系统。在这两个系列的实验中,五种流行的机器学习算法,ARIMA,SVR,Prophet,XGBoost和LSTM与马来西亚的大型历史数据集进行了比较,并选择了平均均方误差为0.304的最佳算法LSTM模型作为该系统的预测引擎。
2021-06-24 cs.LG
Optimizing Bidding Strategies in First-Price Auctions in Binary Feedback Setting with Predictions
本文在二元反馈的第一价格拍卖中,利用预测信息改进BROAD-OMD算法,提出新算法在预测准确时实现零遗憾,并给出O(T^(3/4)*Vt^(1/4))的遗憾界。
2025-07-07 cs.LG
Prediction Interval Construction Method for Electricity Prices
The University of Sydney(悉尼大学)
针对电价不确定性问题,提出一种结合条件生成对抗网络生成电价场景、堆叠场景得概率密度,并引入基于天气波动的强化预测机制的电价预测区间构建方法,经案例验证可有效应对价格波动与尖峰。
2025-01-14 cs.LG cs.SY eess.SY
crypto price prediction using lstm+xgboost
Dept. of Management ABV-IIITM Gwalior(管理学院 ABV-IIITM 加尔瓦尔)
本研究提出一种集成LSTM和XGBoost的混合模型用于加密货币价格预测,通过结合历史数据与辅助特征,在多种加密货币数据集上验证了其优于单一模型和传统方法的预测性能。
2025-06-27 cs.LG
Autoencoder based Hybrid Multi-Task Predictor Network for Daily Open-High-Low-Close Prices Prediction of Indian Stocks
股票价格是高度波动的,趋势的突然变化对于传统的预测模型来说往往是非常有问题的。标准的长短期记忆(LSTM)网络被认为是这种预测的最先进模型。但是,这些模型无法处理价格趋势的突然和剧烈变化。此外,股票的开盘价、最高价、最低价和收盘价(OHLC)也存在一些内在的约束。文献中缺乏对OHLC价格内在属性的研究。我们认为,预测第二天的OHLC价格比预测股票的趋势更具信息性,因为趋势主要是仅使用这些OHLC价格计算的。问题主要集中在今天买明天卖(BTST)交易。在这方面,当用股票价格预先训练时,AE可能是有益的。提出了一种新的框架,其中预训练的编码器级联在多任务预测器网络的前面。这种混合网络可以利用网络组合的力量,既可以处理OHLC约束,也可以捕捉价格的任何突然剧烈变化。可以看出,这样的网络在预测股票价格方面效率要高得多。实验已经扩展到推荐第二天最赚钱和最超买的股票。该模型已在多家印度公司进行了测试,发现拟议模型的建议在300天的测试期内没有造成任何损失。
2022-04-28 cs.LG
Machine Learning Approaches to Real Estate Market Prediction Problem: A Case Study
Embry-Riddle Aeronautical University(安柏瑞德航空大学);IIT Kharagpur(印度理工学院克勒格布尔分校);BNMIT(BNMIT学院)
房屋销售价格是根据交易参与者的经济利益形成的,包括政府,房地产经纪人和购买或出售房产的公众。建立准确的房地产价格预测模型是房地产市场面临的一个重大挑战。这项工作使用2010年1月至2019年11月的十年实际数据集开发了一个房地产价格分类模型。房地产数据集是公开的,并从佛罗里达州的Volusia县财产评估网站检索。此外,还收集了国内生产总值、消费者价格指数、生产者价格指数、房价指数和有效联邦基金利率等社会经济因素,并将其用于预测模型。为了解决这个案例研究问题,采用了几种强大的机器学习算法,即逻辑回归,随机森林,投票分类器和XGBoost。它们与目标编码相结合,以开发准确的房地产销售价格预测模型,旨在预测收盘销售价格是大于还是小于上市销售价格。为了评估模型的性能,确定模型的准确度、精确度、召回率、分类F1分数和出错率。在所研究的四种机器学习算法中,与其他模型相比,XGBoost提供了优越的结果和模型的鲁棒性。开发的模型可以帮助房地产投资者,抵押贷款机构和金融机构做出更明智的决策。
2020-08-22 cs.LG
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
Event Ticket Price Prediction with Deep Neural Network on Spatial-Temporal Sparse Data
Microsoft(微软);GE Global Research(通用电气全球研究中心)
活动门票价格预测对于任何运动队或音乐团体的营销策略都很重要。一个准确的预测模型可以帮助营销团队更有效地制定促销计划。然而,考虑到所有的历史交易记录,预测任何未来时间戳的剩余座位的销售价格是具有挑战性的,这不仅是因为销售价格与许多特征(座位位置、交易的日期、事件日期、团队表现等)相关,而且还因为数据集中的时间和空间稀疏性。对于一场比赛/音乐会,一个座位的门票销售价格只能在销售时观察一次。此外,有些座位甚至可能没有购买(因此没有记录可用)。事实上,在许多预测问题中,数据稀疏性是经常遇到的。在这里,我们提出了一个双层优化的深度神经网络,以解决时空稀疏的诅咒。具体而言,我们引入粗化和细化层,并设计了一个双层损失函数来整合不同级别的损失,以提高预测精度。我们的模型可以发现门票销售价格,座位位置,销售时间,事件信息等之间的相互关系,实验表明,我们提出的模型优于其他基准方法在现实世界的门票销售价格预测。
2019-12-04 cs.LG stat.ML
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
House Price Prediction Using LSTM
The Hong Kong University of Science and Technology(香港科技大学)
本文利用2004年1月至2016年10月的房价数据,对北京、上海、广州、深圳四个城市各区县2016年11月和12月的平均房价进行了预测。我们使用自回归积分移动平均模型来生成基线,而LSTM网络则用于构建预测模型。这些算法进行了比较的均方误差。结果表明,LSTM模型在预测时间序列方面具有优异的性能。此外,有状态LSTM网络和堆栈LSTM网络被用来进一步研究房屋预测模型的准确性的提高。
2017-09-25 cs.LG stat.ML
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
Cryptocurrency Price Prediction Using Parallel Gated Recurrent Units
College of Interdisciplinary Science and Technology(interdisciplinary 科学与技术学院);University of Tehran(塔里班大学);School of Science and Technology(科学与技术学院);University of New England(新英格兰大学)
本文提出并行门控循环单元模型,用于提高加密货币价格预测的准确性和效率。
2025-12-27 cs.LG
Short-Term Stock Price-Trend Prediction Using Meta-Learning
Fu Jen Catholic University(辅仁天主教大学);Academia Sinica(中央研究院)
尽管近年来传统的机器学习算法已被广泛用于股票价格预测,但所需的大量特定标记数据并不总是可用的。相比之下,元学习技术使用相对少量的训练数据,称为快速学习器。这种方法在数据可用性有限的条件下是有益的,这通常是基于受稀疏信息限制的时间序列数据进行趋势预测。在这项研究中,我们考虑短期股票价格预测使用元学习框架与几个卷积神经网络,包括时间卷积网络,完全卷积网络,和剩余神经网络。我们提出了一个滑动的时间范围来标记股票,根据他们的预测价格趋势,被称为斜坡检测标签,使用预测标签,包括“上升加”,“上升”,“下降”和“下降加”。建议的元学习框架的有效性进行了评估,应用到S&P500。实验结果表明,包含所提出的元学习框架显着提高了常规和平衡的预测准确性和盈利能力。
2022-02-17 cs.LG
Stock Market Price Prediction using Neural Prophet with Deep Neural Network
Infinity Tech Group(Infinity科技集团);Persistent Systems(Persistent Systems公司);Finance of America(美国金融公司);Unysis(Unysis公司);VISA(VISA公司)
本文提出NP-DNN模型,利用深度神经网络和多层感知机预测股票价格,准确率达99.21%。
2026-01-16 cs.AI cs.LG
Multimodal price prediction
University of Tabriz(大不里士大学);University of Mohaghegh Ardabili(莫哈格赫·阿尔达比里大学)
价格预测是与预测任务相关的示例之一,是一个基于数据科学的项目。价格预测分析数据并预测新产品的成本。本研究的目的是实现一种安排,以预测价格的手机的基础上,其规格。因此,提出了五种深度学习模型来预测手机的价格范围,一种是单峰方法,四种是多峰方法。多模态方法预测价格的基础上的图形和非图形功能的手机,有一个重要的影响,他们的valorizations。此外,为了评估所提出的方法的效率,从GSMArena收集了一个手机数据集。实验结果显示88.3%的F1分数,这证实了多模态学习比最先进的技术更准确的预测。
2021-04-02 cs.CV cs.LG
House Price Prediction using Satellite Imagery
Stanford University(斯坦福大学)
在本文中,我们展示了如何使用卫星图像可以提高住房价格估计模型的准确性。使用洛杉矶县的财产评估数据集,通过从ImageNet上预训练的Inception-v3模型中转移学习,与仅使用房屋非图像特征的两个基线模型相比,我们可以实现R平方分数提高约10%。
2021-05-13 cs.LG stat.ML
Share Price Prediction of Aerospace Relevant Companies with Recurrent Neural Networks based on PCA
AVIC General Huanan Aircraft Industry Co., Ltd.(中航通用华南飞机工业有限公司);School of Aerospace, Transport and Manufacturing, Cranfield University(克兰菲尔德大学航空、运输与制造学院)
资本市场在航天产业的市场运作中起着至关重要的作用。但由于股票市场的不确定性和复杂性以及诸多周期性因素,航天上市公司股价波动明显。这使得股价预测具有挑战性。为了提高航空航天行业股价的预测能力,更好地理解各指标对股价的影响,提出了一种主成分分析(PCA)与递归神经网络相结合的混合预测模型。我们调查了两种类型的航空航天工业(制造商和运营商)。实验结果表明,主成分分析方法可以提高预测的准确率和效率。各种因素都可能影响预测模型的性能,例如财务数据、提取的特征、优化算法和预测模型的参数。特征的选择可能取决于历史数据的稳定性:当股价稳定时,技术特征可能是首选,而当股价波动较大时,基本面特征可能更好。RNN的延迟还取决于不同类型公司历史数据的稳定性。对于航空航天制造商,使用短期历史数据,而对于航空航天运营航空公司,使用长期历史数据,这将更加准确。该模型可以作为股票自动预测系统中的智能代理,金融业可以根据预测的未来股票价格及时做出经济战略和业务活动的决策,从而提高投资回报率。目前,COVID-19严重影响航空航天工业。所开发的方法可用于预测航空航天工业在COVID-19后的股价。
2020-08-26 cs.LG 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
Unveiling Location-Specific Price Drivers: A Two-Stage Cluster Analysis for Interpretable House Price Predictions
University of Vienna(维也纳大学);Leipzig University(莱比锡大学);University of Regensburg(莱比锡大学);TU Dresden(德累斯顿技术大学)
针对房价评估中市场异质性与可解释性不足的问题,提出两阶段聚类结合线性回归或广义加性模型的方法,在43,309条德国房产数据上分别将平均绝对误差降低58%和36%,并揭示聚类间模式差异。
2025-08-05 cs.LG
Predicting Agricultural Commodities Prices with Machine Learning: A Review of Current Research
RMIT University Vietnam(越南皇家墨尔本理工大学);School of Science, Engineering, and Technology(科学、工程与技术学院)
本文综述了机器学习在农产品价格预测中的应用,分析了农业价格预测的挑战、现有方法的优缺点,并指出机器学习有望提升预测准确性,但仍需进一步研究解决其局限性。
2023-10-28 cs.AI cs.LG
A Comparative Study of Machine Learning Algorithms for Stock Price Prediction Using Insider Trading Data
School of Information Technology University of Cincinnati(信息科技学院 哥伦比亚大学)
本研究利用特斯拉2020年4月至2023年3月的内幕交易数据,比较决策树、随机森林、不同核函数的SVM及K均值聚类等算法的股票价格预测效果,通过RFE优化特征,发现RBF核SVM准确性最佳但耗时更长,为金融从业者优化投资策略提供算法选择参考。
2025-07-07 cs.LG
A novel decision fusion approach for sale price prediction using Elastic Net and MOPSO
K.N. Toosi University of technology(柯尼托西大学);School of Industrial Engineering(工业工程学院)
本文提出一种结合Elastic Net与MOPSO的决策级融合方法,通过平衡变量选择与误差率来优化价格预测,并在两个真实数据集上验证了其优越性。
2024-03-29 cs.LG cs.NE stat.ML
Accurate prediction is not profitable advice: profit-based evaluation of machine learning nitrogen recommendations in winter wheat
University of Sheffield(谢菲尔德大学)
该研究针对冬小麦施氮推荐,发现机器学习作为预测器表现不佳,需作为标准建议的利润导向修正,可减少利润损失,还可用于减排定价。
2026-08-31 cs.LG
Electricity Price Prediction for Energy Storage System Arbitrage: A Decision-focused Approach
Tsinghua University(清华大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院);Southeast University(东南大学)
针对现有电价预测模型忽略下游决策影响的问题,本文提出以决策为中心的电价预测方法,结合下游套利模型用代理遗憾值推导梯度训练模型,通过混合损失函数提升决策精度,经案例验证可带来更高经济效益。
2023-04-30 cs.LG cs.SY eess.SY
Stock Prediction: a method based on extraction of news features and recurrent neural networks
Peking University(北京大学)
提出了一种股票预测方法。在特征提取方面,我们提取了股票相关新闻的除股价外的特征。我们首先根据经验选取了一些种子词,它们分别代表好消息和坏消息。然后我们提出了一种优化方法,并计算所有的词的正极。在此基础上,我们根据新闻话语的积极极性来构建新闻的特征。考虑到连续性新闻效应和连续性股票价格,我们提出了一个递归神经网络模型来帮助预测股票价格。实验结果表明,与基于价格特征的SVM分类器相比,该方法在股票预测准确率上提高了5%以上。
2017-07-19 cs.CL cs.IR cs.LG
Comparative Study of Bitcoin Price Prediction
University of Louisiana at Lafayette(路易斯安那大学拉法叶分校)
本研究对比LSTM和GRU神经网络模型在比特币价格预测中的表现,通过五折交叉验证和L2正则化优化模型,发现GRU模型(MSE=4.67)准确率优于LSTM(MSE=6.25),为金融时间序列预测提供参考。
2024-05-13 cs.LG q-fin.ST
Fusion of Sentiment and Asset Price Predictions for Portfolio Optimization
University of the Witwatersrand(金山大学);University of Johannesburg(约翰内斯堡大学);Institute for Intelligent Systems(智能系统研究所)
将文本形式的公众情绪数据与股票价格预测相融合是金融界越来越感兴趣的话题。然而,研究文献很少探讨投资者情绪在投资组合选择问题中的应用。本文旨在解开和发展的情绪意识投资组合选择问题的理解。为此,该研究使用语义注意力模型来预测对资产的情绪。我们通过情绪感知的长短期记忆(LSTM)递归神经网络和均值-方差策略来选择最优投资组合。我们的情绪投资组合策略平均实现了收入的显著增长,高于非情绪感知模型。然而,结果表明,从稳定性的角度来看,我们的策略并没有优于传统的投资组合配置策略。我们认为,一个改进的融合情绪预测与价格预测和投资组合优化的组合,导致增强的投资组合选择策略。
2022-03-10 cs.LG q-fin.PM
S&P 500 Stock Price Prediction Using Technical, Fundamental and Text Data
University of South Carolina(南卡罗来纳大学)
我们总结了用于股票价格预测的常见和新颖的预测模型,并将它们与技术指标,基本面特征和基于文本的情绪数据相结合,以预测S&P股票价格。通过将不同的机器学习模型(如随机森林和LSTM)组合到最先进的集成模型中,标准普尔500指数方向预测的准确率为66.18%,个股方向预测的准确率为62.09%。我们使用的数据包含2000年1月1日至2019年12月31日期间,与现任和前任标准普尔500指数成分股公司发行的518种不同普通股相关的每周历史价格,财务报告和新闻项目的文本信息。本研究的创新之处包括利用深度语言模型对财经新闻进行分类和推断;融合包含不同变量和股票组合的不同模型,共同进行预测;通过使用不同股票的数据,克服时间序列中机器学习模型的数据不足问题。
2021-09-22 cs.LG stat.ML
Comparison of Classical and Nonlinear Models for Short-Term Electricity Price Prediction
电力在批发市场上买卖,价格波动很大。短期电价预测是一项重要的工作,因为它有助于电力公司控制风险,因为它影响发电商的竞争战略。随着“智能电网”的发展,短期价格预测正成为电池运营商和需求响应聚合商投标和控制算法的重要输入。虽然统计学和机器学习文献提供了许多用于电价预测的建议方法,但是没有一致意见支持单个最佳方法。我们测试了两种用于预测电价的对比机器学习方法,回归决策树和递归神经网络(RNN),并将其与更传统的ARIMA实现进行了比较。我们对德克萨斯州ERCOT的一个具有挑战性的电价数据集进行了分析,该数据集的价格波动特别高。我们发现,回归决策树,特别是实现高性能相比,其他方法,这表明回归树应该更仔细地考虑电价预测。
2018-05-02 cs.CY cs.LG stat.ML
Conformal Prediction for Electricity Price Forecasting in the Day-Ahead and Real-Time Balancing Market
University College Cork(科克大学学院);International Energy Research Centre(国际能源研究中心);Tyndall National Institute(廷德尔国家研究所);University of Edinburgh(爱丁堡大学);SFI Insight Centre for Data Analytics(SFI数据洞察中心)
本文针对可再生能源并网带来的电价预测难题,提出结合分位数回归与时间序列保形预测的集成方法,在日前和平衡市场中实现更窄且覆盖更可靠的预测区间,并通过电池储能交易模拟验证其提升收益的实际价值。
2025-02-07 cs.AI cs.LG
Petroleum prices prediction using data mining techniques -- A Review
Dedan Kimathi University of Technology(德丹·基马蒂理工大学)
在过去20年中,肯尼亚对石油产品的需求激增。这主要是因为这种特殊商品用于该国经济的许多部门。汇率受到不断变化的价格的影响,这也影响到肯尼亚的工业商品产量。石油产品价格的任何变化都会对生产的其他物品的成本甚至经济的扩张产生重大影响。因此,准确的石油价格预测对于制定适合遏制燃料相关冲击的政策至关重要。数据采掘技术是用来发现数据中有价值模式的工具。石油价格预测中使用的数据采掘技术,包括人工神经网络(ANN)、支持向量机(SVM)和智能优化技术,如遗传算法(GA),已经变得越来越流行。这项研究提供了一个全面的审查现有的数据采掘技术,使石油价格预测。数据采掘技术分为回归模型、深度神经网络模型、模糊集和逻辑以及混合模型。这些模型是如何开发和模型的准确性提供了详细的讨论。
2022-11-20 cs.AI cs.LG
Improved Bitcoin Price Prediction based on COVID-19 data
University of North Texas(北德克萨斯大学)
社会动荡会影响人们的财务决策,导致支出和储蓄的变化。在COVID-19疫情这样重大的全球动荡中,这些变化是不可避免的。在这里,我们研究了COVID-19对各个司法管辖区的影响如何影响比特币的全球价格。我们假设,封锁和经济衰退的预期侵蚀了人们对法定(政府发行)货币的信任,从而提升了加密货币。因此,我们希望确定疫情造成的动荡、比特币需求及其最终价格之间的因果关系。为了验证这一假设,我们合并了比特币价格和COVID-19病例和死亡的数据集。我们还设计了额外的功能,并应用了统计和机器学习(ML)模型。我们应用随机森林模型(RF)来识别和排名特征的重要性,并对比特币价格数据集运行了两次长短期记忆(LSTM)模型:考虑和不考虑COVID-19相关特征。我们发现,将COVID-19数据添加到LSTM模型中可以改善对比特币价格的预测。
2023-01-25 cs.AI cs.LG
Toward Explainable and Policy-Aware AI for Carbon Credit Price Prediction: A Research Framework for Emerging Carbon Markets
本研究针对新兴碳市场碳信用价格预测的痛点,构建了可解释且感知政策的EPA-CarbonNet模型,经11年标普碳指数数据测试,其方向准确率优于所有基准,但五日RMSE不及随机游走模型。
2026-09-03 cs.LG
Intra-day Equity Price Prediction using Deep Learning as a Measure of Market Efficiency
Georgia Institute of Technology(佐治亚理工学院);J.P. Morgan AI Research(摩根大通人工智能研究院)
在金融学中,弱形式的有效市场假说认为,历史股票价格和成交量数据不能为未来价格的预测提供信息。在本文中,我们表明,相反,未来的日内股票价格可以有效地预测,直到2009年。我们使用两种不同的基于机器学习的有利可图的交易策略来证明这一点。然而,随着时间的推移,这两种方法的有效性都在下降,2009年之后,这两种方法都没有盈利。我们详细介绍了2003-2017年期间的实施情况和结果,并提出了一个新的想法:使用这种灵活的机器学习方法作为相对市场有效性的客观衡量标准。最后,我们提出了一个候选解释,将我们的回报率与高频交易量进行了比较,并提出了进一步调查的具体步骤。
2019-08-22 cs.LG q-fin.TR
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
Stock Price Prediction using Multi-Faceted Information based on Deep Recurrent Neural Networks
Shahed University(沙希德大学)
针对股票价格预测问题,提出整合CNN与LSTM网络、结合社交网络情感分析(用Random Forest分类推文情绪)和烛台数据的方法,实现更全面的市场分析与更准确的预测。
2024-11-29 cs.AI cs.LG
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
Comparative Analysis of LSTM, GRU, and Transformer Models for Stock Price Prediction
University of Connecticut(康涅狄格大学);University of Rochester(罗切斯特大学);Northeastern University(东北大学)
本文以AI驱动的股票价格趋势预测为核心,使用特斯拉2015至2024年数据比较了LSTM、GRU和Transformer模型,实验表明LSTM模型准确率达94%,有助于投资者做出明智决策。
2024-10-20 cs.LG q-fin.ST
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
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
Energy Storage Price Arbitrage via Opportunity Value Function Prediction
Columbia University(哥伦比亚大学);University of California San Diego(加州大学圣地亚哥分校)
提出了一种结合监督学习和动态规划的储能价格套利算法。该方法利用神经网络直接预测不同储能荷电状态下的机会成本,然后将预测的机会成本输入到基于模型的套利控制算法中进行最优决策。我们利用价格数据和动态规划算法生成历史最优机会价值函数,然后将其作为基础事实和历史价格作为预测因子来训练机会价值函数预测模型。与使用纽约州不同储能模型和价格数据的案例研究中的完美预见相比,我们的方法实现了65%至90%的利润,这显著优于现有的基于模型和基于学习的方法。在保证高盈利能力的同时,该算法也是轻量级的,可以以最小的计算成本进行训练和实现。我们的研究结果还表明,学习的预测模型具有良好的可移植性。使用来自一个地区的价格数据训练的预测模型在对其他地区进行测试时也提供了良好的套利结果。
2022-11-20 cs.LG cs.SY eess.SY
Investigating Limit Order Book Characteristics for Short Term Price Prediction: a Machine Learning Approach
University of Toronto(多伦多大学);Department of Computer Science(计算机科学系)
随着算法高频交易在金融市场的普及,限价订单簿引起了越来越多的研究兴趣。研究仍处于早期阶段,有很多我们不了解的动态限价订单簿。在本文中,我们采用机器学习的方法来研究限价订单簿的功能和他们的潜力,以预测短期的价格走势。这是一个初步的基础广泛的调查,结果在一些新的观察LOB动力学,并确定了几个有前途的方向进一步研究。此外,我们得到的预测结果是显着优于基线预测。
2018-12-20 cs.LG q-fin.TR
Carbon price fluctuation prediction using blockchain information A new hybrid machine learning approach
本研究提出一种融合膨胀卷积神经网络与长短期记忆网络并采用岭回归正则化的混合模型,利用区块链信息有效预测碳价波动趋势,优于传统CNN-LSTM架构。
2024-11-05 cs.LG stat.ML
Natural Language Processing and Multimodal Stock Price Prediction
本文提出利用股票百分比变化作为训练数据,并结合专门的BERT NLP模型与多模态数据分析来预测股票价格趋势,证明了小型模型在准确预测整体股票趋势方面的能力及特定数据特征的有效性。
2024-01-03 cs.CL cs.LG
Cross Cryptocurrency Relationship Mining for Bitcoin Price Prediction
Zhejiang University of Technology(浙江工业大学)
区块链金融已经成为世界金融体系的一部分,最典型的表现是对比特币价格的关注。然而,大量的工作仍然局限于使用技术指标来捕捉比特币价格波动,很少考虑相关加密货币之间的历史关系和相互作用。在这项工作中,我们提出了一个通用的跨加密货币关系挖掘模块,命名为C2 RM,它可以有效地捕捉比特币和相关Altcoins之间的同步和异步的影响因素。具体来说,我们利用动态时间规整算法提取超前-滞后关系,产生超前-滞后方差核,用于聚合山寨币的信息,形成关系影响因子。综合实验结果表明,我们的C2 RM可以帮助现有的价格预测方法实现显着的性能改善,这表明了跨加密货币交互对比特币价格预测的有效性。
2022-04-28 cs.AI 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