Quantile Dependence between Stock Markets and its Application in Volatility Forecasting
本文研究了国际股票市场之间的分位数依赖性，并评估其用于改善波动性预测。首先，我们分析了美国股票市场与英国、德国、法国和日本股票市场之间的分位数依赖和方向可预测性。我们使用交叉分位数图，这是分位数命中过程的相关统计。股票市场之间的详细相关性取决于特定的分位数范围，这种相关性通常是不对称的;负溢出效应强于正溢出效应，从美国市场到英国、德国、法国和日本市场存在很强的方向性可预测性。其次，我们考虑了一个简单的分位数增强的波动模型，该模型适应了美国市场和其他市场之间的分位数依赖性和方向可预测性。分位数增强波动率模型提供了优越的样本内和样本外波动率预测。
2016-08-25 q-fin.ST stat.AP
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
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
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
Performance Analysis of Hybrid Forecasting Model In Stock Market Forecasting
本文利用已有的几种预测模型，分析了由一致性和遗传规划（GP）组成的混合模型对金融市场的预测性能。该方案可用于对股票市场的深入分析。不同的一致性措施，如Kendalls Tau，Ginis Mean Difference，Spearmans Rho和弱一致性解释被用来搜索过去看起来与现在相似的模式。然后使用遗传编程来尽可能接近地匹配过去的趋势和现在的趋势。然后，基因程序根据接下来发生的事情来估计接下来会发生什么。使用金融时间序列数据（标准普尔500指数和纳斯达克指数）作为样本数据集的概念进行验证。将预测结果与标准ARIMA模型及其它模型进行比较，分析其性能。
2013-05-15 cs.CE q-fin.ST
Deep Learning for Forecasting Stock Returns in the Cross-Section
Nomura Asset Management Co., Ltd.（野村资产管理有限公司）；The University of Tokyo（东京大学）
许多研究已经通过使用机器学习技术（包括神经网络）来预测股票收益。最近，一种被称为深度学习的方法在机器学习领域引起了关注，该方法主要在图像识别和语音识别中实现高性能。本文利用深度学习方法预测日本股票市场未来一个月的股票收益率，并研究了该方法的性能。我们的研究结果表明，深度神经网络通常优于浅层神经网络，最好的网络也优于代表性的机器学习模型。这些结果表明，深度学习作为一种熟练的机器学习方法，有望在横截面中预测股票收益。
2018-06-13 cs.LG 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
Dynamical analysis of financial stocks network: improving forecasting using network properties
本研究通过分析股票收益相关网络，提取个股与全局网络属性，用于预测标普500个股未来收益，长期预测R2提升50%，短期提升3%。
2024-08-21 physics.soc-ph q-fin.CP q-fin.ST
Stock Market Directional Bias Prediction Using ML Algorithms
本研究对比了logistic regression、decision tree和random forest与feed forward deep neural network在日本股市方向性偏差预测中的表现，发现所有模型准确率均超50%，揭示了机器学习在股市预测中的潜力与复杂性。
2023-10-24 q-fin.ST
A Fast Evidential Approach for Stock Forecasting
Southwest University（西南大学）
在证据理论的框架下，不同信息的置信函数可以组合成一个组合置信函数来解决不确定性问题。Dempster组合规则是一种经典的信息融合方法。本文提出了一种时间序列中时间点的相似置信函数。利用Dempster组合规则对上一个时间点的增长率进行融合，最终得到一个相对准确的预测数据。股票价格预测是经济学关注的问题。股票价格数据量大，同时需要更准确的预测。经典的时间序列预测方法，如ARIMA，不能同时兼顾预测效率和预测精度。本文将证据理论的融合方法应用于股票价格预测。证据理论处理了股票价格预测的不确定性，提高了预测的准确性。同时，证据理论融合方法时间复杂度低，预测处理速度快。
2021-07-17 cs.AI q-fin.ST stat.AP
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
Forecasting the Performance of US Stock Market Indices During COVID-19: RF vs LSTM
本文针对疫情冲击下的美国股市，使用衰退后历史价格数据，结合交叉验证、超参数优化与正则化，比较 Random Forest 与 LSTM 对 S&P500 和 Russell 2000 的收益预测能力。
2023-06-06 econ.EM q-fin.ST
Working Paper: Improved Stock Price Forecasting Algorithm based on Feature-weighed Support Vector Regression by using Grey Correlation Degree
随着人工智能、大数据决策等广泛的工程应用，原本大量繁琐的金融数据处理、加工和分析变得越来越便捷有效。本文旨在提高股票价格预测的准确性。利用灰色关联分析（GCA）对支持向量机回归算法进行了改进，提高了股票预测的准确性。本文首先将影响股价运动的因素分为行为因素和技术因素。行为因素主要包括天气指标和情绪指标。技术因素主要包括日收盘数据和沪深300指数，然后通过灰色关联分析方法来衡量相关性。交易日内股票价格与其影响因子之间的关系，并将这种关系转化为各影响因子的特征权重。利用特征权重对各交易日影响因子的权重进行加权，最后采用支持向量回归机（SVR）进行回归。根据技术指标（MSE、MAE、SCC、DS）的预测结果和未修改的交易数据对修改后的股票交易数据进行预测比较，发现预测结果有明显改善。
2019-02-24 q-fin.CP q-fin.ST
Principal Component Analysis and Hidden Markov Model for Forecasting Stock Returns
本文结合主成分分析和隐马尔可夫模型预测S&P 500股票收益，利用转移概率和特征向量还原收益预测，实验证明该策略在年化夏普比率上优于买入并持有策略。
2023-07-02 math.PR q-fin.PM q-fin.ST
Impact of COVID-19 on Forecasting Stock Prices: An Integration of Stationary Wavelet Transform and Bidirectional Long Short-Term Memory
COVID-19是一种主要影响呼吸系统的传染病。在进行这项研究时，有超过140万例COVID-19病例，最大的焦虑之一不仅是我们的健康，还有我们的生计。在这项研究中，作者调查了COVID-19对全球经济的影响，更具体地说，COVID-19对原油价格和三个美国股票指数（DJI，S&P 500和NASDAQ Composite）的金融走势的影响。拟议的商品和股票价格预测系统集成了平稳小波变换（SWT）和双向长短期记忆（BDLSTM）网络。首先，使用SWT将数据分解为近似系数和细节系数。经分解后，原油价格及股票市场指数数据连同COVID-19确诊病例均用作未来价格变动预测的输入变量。结果表明，所提出的系统BDLSTM+WT-ADA在五天原油价格预测方面取得了令人满意的结果。
2020-07-03 q-fin.ST stat.ML
Detection and Forecasting of Extreme event in Stock Price Triggered by Fundamental, Technical, and External Factors
本文利用希尔伯特-黄变换检测由基本面、技术面和外部因素引发的股票价格极端事件，并采用支持向量回归进行预测，发现收盘价输入效果优于OHLC输入，一步预测准确率最高达95.98%。
2023-04-18 q-fin.ST
A Study on Stock Forecasting Using Deep Learning and Statistical Models
Tula’s Institute（图拉学院）；Graphic Era (Deemed to be University)（Graphic Era（准大学））
本研究基于S&P 500指数数据，对比了ARIMA等统计模型与LSTM、CNN等深度学习模型在股票价格预测中的准确率，通过MAE等误差指标评估，发现低MAE值的模型预测更准确，有助于投资者最大化投资回报。
2024-02-08 cs.LG q-fin.ST
Multiple-output support vector regression with a firefly algorithm for interval-valued stock price index forecasting
股票价格指数的高度准确的区间预测是在做出投资决策时成功获利的基础，它提供了一系列的值，而不是一个点估计。在这项研究中，我们研究的可能性，预测一个区间值的股票价格指数序列在短期和长期的视野，使用多输出支持向量回归（MSVR）。此外，本研究提出了一种萤火虫算法（FA）为基础的方法，建立在已建立的MSVR，用于确定参数的MSVR（简称FA-MSVR）。三个全球交易的广泛的市场指数被用来比较所提出的FA-MSVR方法与选定的同行的性能。定量和全面的评估是在统计标准，经济标准和计算成本的基础上进行的。在统计准则方面，我们比较了样本外预测的预测优度的措施和测试方法。在经济标准方面，我们用一个简单的交易策略来评估相对的预测表现。在这项研究中得到的结果表明，建议FA-MSVR方法是一个很有前途的替代预测区间值金融时间序列。
2014-01-09 cs.CE cs.LG q-fin.ST
Online High-Frequency Trading Stock Forecasting with Automated Feature Clustering and Radial Basis Function Neural Networks
Business School, University of Edinburgh（爱丁堡大学商学院）
本文提出一种结合双重竞争特征重要性机制与k-means聚类的高频交易股票预测方法，通过将k-means引入RBFNN实现自动特征选择与聚类，在20只标普500股票上验证了其有效性，消除了手动网格搜索并提升了中间价预测效率。
2024-12-27 cs.LG q-fin.ST
The impacts of asymmetry on modeling and forecasting realized volatility in Japanese stock markets
本研究探讨日本期货与现货股票市场的非对称性对已实现波动率的建模与预测的影响。我们采用异质自回归（HAR）模型允许三种类型的不对称性：积极和消极的实现半方差（RSV），不对称跳跃，和杠杆效应。估计结果表明，杠杆效应明显影响已实现波动率模型的建模。日经225指数的现货和期货市场都存在杠杆效应。虽然实现的半方差有助于更好地建模，但RSV模型的估计取决于这些模型是否具有杠杆效应。非对称跳跃成分对已实现波动率模型没有明显的影响。虽然杠杆效应和已实现半方差也提高了波动率模型的样本外预测性能，非对称跳跃是没有用的预测能力。本研究的实证结果显示，资讯不对称，特别是杠杆效应与实得半变异数，会产生较佳的模型与较准确的预测绩效。因此，在对日本股票市场的已实现波动率进行建模和预测时，应该考虑信息不对称的影响。
2020-05-30 econ.EM q-fin.ST
Forecasting Nigerian Equity Stock Returns Using Long Short-Term Memory Technique
University of Ibadan（伊巴丹大学）
本文利用尼日利亚证券交易所历史数据训练LSTM模型预测股票收益，实验显示准确率超过90%，并建议未来结合CNN等构建混合模型以降低单一模型风险。
2025-05-27 cs.LG q-fin.ST
CRISIS ALERT:Forecasting Stock Market Crisis Events Using Machine Learning Methods
本文利用随机森林和极端梯度提升等机器学习方法，基于75个日频市场变量预测美国股市危机事件，并通过分类指标比较发现极端梯度提升表现最佳。
2024-01-06 cs.LG q-fin.ST
Regression and Forecasting of U.S. Stock Returns Based on LSTM
本文基于Fama-French三因子、Carhart四因子及五因子模型分析美国股市三个板块的投资回报，并利用LSTM模型探索额外影响因素，实证表明五因子模型有效性最佳且LSTM能更好地回归与预测相关行业股票收益。
2025-05-28 cs.LG q-fin.ST
Forecasting the Volatilities of Philippine Stock Exchange Composite Index Using the Generalized Autoregressive Conditional Heteroskedasticity Modeling
本研究旨在利用广义自回归条件异方差模型（GARCH）寻找一个合适的统计模型来预测PSEi的波动率。使用R软件，使用各种ARIMA模型对PSEi的对数收益进行建模，并且在异方差存在的情况下，使用GARCH对对数收益进行建模。基于分析，GARCH模型是最适合用于PSEi的日志返回。在所选的GARCH模型中，Gestro（1，2）具有最低的AIC值，也具有最高的LL值，这意味着Gestro（1，2）是PSEi的对数收益的最佳模型。
2019-02-21 q-fin.ST stat.CO
Adaptive Market Intelligence: A Mixture of Experts Framework for Volatility-Sensitive Stock Forecasting
本研究提出一种结合RNN与线性回归的混合专家框架，通过波动感知门控机制动态加权专家贡献，在30只美股数据上对波动资产和稳定资产的MSE分别提升33%和28%，验证了自适应架构在跨波动机制股票预测中的优势。
2025-07-22 econ.EM 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
Volatility Forecasting with 1-dimensional CNNs via transfer learning
波动率是金融中的一种自然风险度量，因为它量化了股票价格的变化。在金融数学中经常考虑的问题是预测波动率的不同估计。使用深度学习方法预测波动性的前景是，股票价格回报满足一些常见的属性，称为“程式化事实”。此外，使用的数据量可能很高，有利于神经网络的应用。我们使用了数百只频繁交易的股票10年的每日价格，并比较了不同的CNN架构：一些网络只使用考虑的股票，但我们尝试了一种结构，用于训练，使用更多的序列，但不是考虑的股票。从本质上讲，这是迁移学习的一个应用，在预测误差方面，它的性能要好得多。我们还比较了我们的扩张因果CNN的经典ARIMA方法使用自动模型选择程序。
2020-09-07 q-fin.CP q-fin.ST
HiSA-SMFM: Historical and Sentiment Analysis based Stock Market Forecasting Model
Cloud Computing Research Center（云计算研究中心）；National Sun Yat-sen University（国立中山大学）；National Institute of Technology（国家理工学院）
建立一个国家经济的支柱之一是股票市场。多年来，人们投资于股票市场，从他们拥有的资金中赚取尽可能多的利润。因此，有一个能够准确预测未来股票价格的预测模型至关重要。在机器学习的帮助下，这不是一项不可能的任务，因为如果正确建模，各种机器学习技术可能能够提供最佳预测值。这将使投资者能够决定是否购买，出售或持有股票。本文的目的是预测未来的金融股票的公司与提高准确性。在本文中，我们提出了使用历史数据和情绪数据，通过应用LSTM来有效地预测股票价格。通过分析情绪分析领域的现有研究发现，股票价格的变动与新闻文章的发布之间存在很强的相关性。因此，在本文中，我们综合了这些因素，以更准确地预测股票价格。
2022-03-10 cs.AI cs.LG q-fin.ST
A Review of Large Language Models for Stock Price Forecasting from a Hedge-Fund Perspective
Hockaday School（霍卡迪学校）；Lumos Alpha（卢姆斯阿尔法）
本文综述了大型语言模型在股票预测中的应用，包括从新闻和社交媒体提取情绪、分析财务报告和电话会议记录，以及构建多智能体交易系统，并指出实践中常被忽视的问题，如情绪分析的脆弱性、数据集和时间范围设计、性能评估指标、数据泄露、流动性溢价和股价预测的局限性。
2026-04-10 cs.AI cs.LG q-fin.PR
Network log-ARCH models for forecasting stock market volatility
本文提出了一种新的动态网络自回归条件异方差模型，用于预测美国股市的波动性。为了提高预测精度，该模型集成了时间滞后的波动信息和来自相邻节点的信息，这些信息可能瞬间溢出整个网络。该模型也适用于高维的情况下，多变量可预测模型通常不再适用。我们采用了时空统计学的理论基础，并将过程的动态建模转移到网络中。这种新的方法进行了比较，独立的单变量对数模型。我们可以量化的改善，由于瞬时网络的干扰效应，这是本文中第一次研究。基于时间序列之间的各种距离和相关性测量来确定边缘。替代网络的定义的性能进行比较的样本精度。此外，我们认为集合预报基于不同的网络定义。
2023-03-20 econ.EM q-fin.ST stat.AP
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
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
DoubleAdapt: A Meta-learning Approach to Incremental Learning for Stock Trend Forecasting
Shanghai Jiao Tong University（上海交通大学）
针对股票趋势预测中分布偏移导致增量更新失效的问题，本文提出双适配器端到端框架 DoubleAdapt，通过元学习联合优化数据适配与参数初始化，实现最优预测性能与较高效率。
2024-04-07 cs.AI cs.CE cs.LG
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
Improving S&P stock prediction with time series stock similarity
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
使用预测算法进行股票市场预测是当今的一个热门话题，其中大多数预测算法仅在特定股票上收集的数据上进行训练。在本文中，我们用相关的股票丰富了股票数据，就像专业交易员改进股票预测模型一样。我们测试了五种不同的相似度函数，发现协整相似度对预测模型的改进效果最好。我们评估了来自不同行业的七只S&P股票的模型，为期五年。我们在类似股票上训练的预测模型具有显著更好的结果，平均准确率为0.55，利润为19.782，而最先进的模型准确率为0.52，利润为6.6。
2020-02-08 cs.LG q-fin.ST stat.ML
Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder
Faculty of Mathematics, University of Cambridge（剑桥大学数学学院）；School of Mathematical Sciences, Queen Mary University of London（伦敦大学玛丽皇后学院数学科学学院）
本文提出使用条件变分编码器（CVAE）结合再平衡日期等先验信息进行股票成交量预测，生成非线性样本外预测，在准确性和相关性拟合上优于传统线性模型，并可用于场景生成。
2024-06-19 cs.LG q-fin.PR q-fin.ST
Variations on two-parameter families of forecasting functions: seasonal/nonseasonal Models, comparison to the exponential smoothing and ARIMA models, and applications to stock market data
我们介绍了24个双参数家庭先进的时间序列预测功能，使用一种新的和非参数的方法。我们还介绍了供电的概念，并推导出非季节性和季节性模型的例子在教育，销售，金融和经济。我们比较我们的24个模型的性能，霍尔特-温特斯和ARIMA模型的非季节性和季节性时间序列。我们特别表明，我们的模型不仅不需要分解成趋势，季节性和随机成分的季节性时间序列，但也导致大幅降低绝对误差和更高数量的预测比霍尔特-温特斯和ARIMA模型。最后，我们使用标准普尔500指数467家公司的五年股票市场数据，应用并比较了我们的24个模型的性能。
2022-07-13 math.ST q-fin.ST stat.ME
Dynamic Forecasting and Temporal Feature Evolution of Stock Repurchases in Listed Companies Using Attention-Based Deep Temporal Networks
本文提出结合经济理论的动态预警系统，利用TCN和注意力LSTM捕捉财务演变模式，通过滚动窗口验证模型优于传统方法，揭示回购决策的长期和短期驱动因素。
2026-03-29 cs.AI cs.LG q-fin.ST
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
Transformers with Attentive Federated Aggregation for Time Series Stock Forecasting
Kyung Hee University（庆熙大学）
针对Transformer用于时间序列股票预测时传统训练存在的过拟合、数据稀缺与隐私问题，提出带注意力的联邦Transformer方案，在Yahoo! Finance股票数据上验证了其应对相关挑战及数据异质性的有效性，同时可保护参与企业隐私。
2024-01-22 cs.AI cs.CE cs.DC
A Time Series Analysis-Based Forecasting Framework for the Indian Healthcare Sector
设计高效、鲁棒的算法来准确预测股票市场价格是时间序列分析和预测领域中最令人兴奋的挑战之一。随着复杂算法的指数级发展和演变以及快速计算平台的可用性，现在已经可以有效地和高效地提取、存储、处理和分析内容多样的大量股票市场数据。复杂算法的可用性可以在云上的并行架构上非常快速地执行，这使得预测结果的准确性更高，同时减少了计算所需的时间。在本文中，我们使用印度医疗保健部门2010年1月至2016年12月期间的时间序列数据。我们首先展示了一种分解方法的时间序列，然后说明如何分解结果为我们提供了有用的见解的行为和属性所表现出的时间序列。此外，基于对时间序列的结构分析，我们提出了六种不同的预测方法来预测医疗保健行业的时间序列指数。广泛的结果提供的预测方法的性能，以证明其有效性。
2017-04-25 q-fin.ST
Multi-Agent Stock Prediction Systems: Machine Learning Models, Simulations, and Real-Time Trading Strategies
该研究聚焦股价预测问题，对比评估多种循环神经网络架构的预测性能，发现基于注意力机制的模型因能同时捕捉长短依赖实现最高准确率，为AI驱动金融预测及高效交易系统开发提供参考。
2025-02-21 cs.LG q-fin.ST
A Multi-criteria Approach to Evolve Sparse Neural Architectures for Stock Market Forecasting
本研究提出了一个新的框架，以发展有效的，但简约的神经结构的运动预测的股票市场指数使用技术指标作为输入。在有效市场假设下的稀疏信噪比下，开发机器学习方法来使用技术指标预测金融市场的运动已被证明是一个具有挑战性的问题。为此，神经结构搜索被提出作为一个多准则优化问题，以平衡效率与结构的复杂性。此外，本报告亦研究了COVID前及COVID期间可能存在的不同主导交易趋势的影响。提出了一个$ε-$约束框架作为补救措施，以提取可能相互冲突的COVID前数据背后的任何一致信息。此外，提出了一种新的搜索范式，二维群（2DS）的多标准神经结构搜索，显式集成稀疏性作为一个额外的搜索维度的粒子群。通过考虑遗传算法和经验神经设计规则与基于滤波器的特征选择方法（mRMR）作为基线方法的几种组合，所提出的方法进行了详细的比较评估。本研究的结果令人信服地表明，所提出的方法可以进化具有更好的泛化能力的简约网络。
2021-11-15 cs.NE q-fin.ST
A Hierarchical conv-LSTM and LLM Integrated Model for Holistic Stock Forecasting
Birla Institute of Technology, Mesra（比拉理工学院梅萨分校）；York University（约克大学）
本文提出一种结合两级 Conv-LSTM 与 LLM 的集成模型，利用 Conv-LSTM 分析历史价格和技术指标的时间序列特征，并结合 LLM 处理金融新闻等文本的情感与上下文，以提供更准确且具丰富上下文的整体股票预测与建议。
2024-09-30 cs.AI cs.LG q-fin.ST
Volatility forecasting with machine learning and intraday commonality
我们应用机器学习模型来预测日内已实现波动率（RV），通过将股票数据汇集在一起来利用日内波动的共性，并通过引入市场波动的代理。神经网络在性能方面主导线性回归和基于树的模型，因为它们能够发现和建模变量之间复杂的潜在相互作用。当我们将训练模型应用于尚未包含在训练集中的新股时，我们的研究结果仍然稳健，从而为股票之间的普遍波动机制提供了新的经验证据。最后，我们提出了一种新的方法来预测前一天的RV使用过去的日内RV作为预测因子，并强调有趣的时间的一天的影响，帮助预测机制。结果表明，所提出的方法产生优越的样本外预测一组强大的传统基线，只依赖于过去的每日RV。
2023-02-24 q-fin.CP q-fin.RM q-fin.ST
Quantifying the impact of COVID-19 on the US stock market: An analysis from multi-source information
我们开发了一种新型的时间复杂网络方法来量化美国县级COVID-19的传播动态。目的是研究当地传播动态、COVID-19病例和死亡以及谷歌搜索活动对美国股票市场的影响。我们使用传统的计量经济学和机器学习（ML）模型。结果表明，COVID-19病例和死亡人数、其在当地的传播以及谷歌搜索对2020年1月至2020年5月期间的异常股价产生了影响。此外，纳入当地的传播信息显着提高了预测模型的性能异常的股票价格在较长的预测视野。另一方面，尽管一些与COVID-19相关的变量，例如，美国总死亡人数和美国新增病例与价格波动存在因果关系，COVID-19病例和死亡人数、COVID-19的本地传播以及谷歌搜索活动对价格波动没有影响。
2020-10-03 q-fin.ST stat.AP
Stock Mechanics: a classical approach
提出了股票市场预测的新的理论方法。给出了股票市场算术关系的一种形式化，其中一些简单的（非微分的，非分形的）表达式也被建议作为封闭形式的一般股票价格公式，这些公式能够及时产生各种可能的价格变动。提出了一种用经典概念描述价格运动的力学。在那里利用股票力学增长的投资组合在现实市场中也被证明。
2005-03-21 physics.soc-ph q-fin.ST
Stock mechanics: predicting recession in S&P500, DJIA, and NASDAQ
本文提出了一种新的预测汇率的方法，即假定价格的势能和动能以及势能和动能之和守恒。显示了与幂律的连接。在标准普尔500指数、道琼斯工业平均指数和纳斯达克指数上的半经验应用预测了它们即将到来的衰退。作为一个新兴市场，伊斯坦布尔证券交易所指数ISE-100被发现有继续上涨的潜力。
2005-06-10 physics.soc-ph q-fin.ST
Dependency Network-Based Portfolio Design with Forecasting and VaR Constraints
本文提出融合VAR/FEVD依赖网络、MST选股、ARIMA与NNAR预测及VaR资金配置的投资组合框架，一年模拟显示其显著跑赢买入并持有基准。
2025-07-26 econ.EM q-fin.PM q-fin.ST
Unconventional Policies Effects on Stock Market Volatility: A MAP Approach
本文以欧洲央行的非常规政策为参照，建立了一种基于乘法误差模型的非常规政策对股票市场波动性的影响分析方法。新的一套模型，称为MEM与不对称性和政策效应（MAP），保持基本波动性动态与再现政策效应的组件分开，在公告日波动性增加，实施效果减少。当应用到四个欧元区市场，模型信心集的方法发现一个显着改善的预测能力的代理扩大资产购买计划的实施后，一个多步骤的预测工作估计的持续时间的影响，并通过冲击的政策变量，我们能够量化的波动性的减少，这是更显着的债务-陷入困境的国家。
2021-03-25 q-fin.ST stat.AP
TCGPN: Temporal-Correlation Graph Pre-trained Network for Stock Forecasting
School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）；National Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室）
针对STGNNs在缺乏周期性的股票预测中表现不佳且难以处理大量节点的问题，提出TCGPN，利用时序相关性融合编码器与预训练任务，结构独立于节点数量，通过微调MLP取得state-of-the-art结果。
2024-07-26 cs.AI cs.LG q-fin.ST
SARF: Enhancing Stock Market Prediction with Sentiment-Augmented Random Forest
British Columbia Institute of Technology（不列颠哥伦比亚理工学院）；University of Zagreb（萨格勒布大学）
本研究提出情感增强随机森林模型SARF，将FinGPT大模型的情感分析特征融入传统随机森林，用于股市趋势预测，相比传统模型准确率平均提升9.23%。
2024-09-22 cs.LG q-fin.ST
Forecasting with Deep Learning: S&P 500 index
Canadian University Dubai（迪拜加拿大大学）；Zayed University（扎耶德大学）
股票价格预测一直是大量研究的焦点，但到目前为止，学术界还没有一个可以接受的解决方案。深度学习的最新进展促使研究人员将神经网络应用于股票预测。在本文中，我们提出了一个基于卷积的神经网络模型来预测标准普尔500指数的未来价值。所提出的模型是能够预测的第二天的方向的指数的基础上以前的值。实验表明，我们的模型优于一些基准实现超过55%的准确率。
2021-03-21 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
