Momentum-integrated Multi-task Stock Recommendation with Converge-based Optimization
HKUST(GZ)（香港科技大学（广州））；HKUST（香港科技大学）；Shanghai Jiao Tong University（上海交通大学）；OceanBase, Ant Group（蚂蚁集团OceanBase）
本文提出动量整合多任务股票推荐框架MiM-StocR，通过引入动量指标和自适应-k近似NDCG损失函数，提升股票推荐的短期趋势捕捉能力，并采用收敛四边平衡方法缓解过拟合问题，实验证明其在排名和盈利能力上优于现有基线。
2026-01-24 cs.AI cs.LG q-fin.ST
The Battle of Information Representations: Comparing Sentiment and Semantic Features for Forecasting Market Trends
Higher School of Economics University（高等经济大学）；Sber AI Lab（俄联邦储蓄银行人工智能实验室）；Artificial Intelligence Research Institute (AIRI)（人工智能研究院（AIRI））
利用机器学习方法对股票市场进行研究是揭示隐藏的市场信息的一个主要方向。这些知识有助于深刻理解金融市场动态并获得传统分析方法难以发现的行为见解。股票价格与世界事件和社会观念有着内在的联系。因此，在构建股票价格预测模型时，关键阶段是将外部世界的这些信息纳入其中，这些信息通过新闻和社交媒体帖子反映出来。为了适应这一点，研究人员利用隐式或显式的知识表示：（1）从文本中提取的情感或（2）原始文本嵌入。然而，有太少的研究注意到这些方法的直接比较方面的金融模型的预测能力的影响。在本文中，我们的目标是缩小这一差距，并弄清楚是否语义特征的形式上下文嵌入更有价值的预测市场趋势比情绪属性。我们考虑了与纳斯达克资本化最大公司及其收盘价相关的Twitter帖子的语料库。首先，我们展示了推特情绪与公司股价波动的联系。相信现有的关系，我们训练时间融合Transformer模型的价格预测与鸣叫情绪或鸣叫嵌入补充。我们的研究结果表明，在大量的情况下，使用情感特征会导致更高的指标。值得注意的是，这些结论在涉及Twitter帖子和最大科技公司股票的情况下是合理的。
2023-03-24 cs.LG
Trend-Aware Fashion Recommendation with Visual Segmentation and Semantic Similarity
University of Luxembourg（卢森堡大学）
本文提出融合视觉分割、语义相似度、流行度匹配与用户行为模拟的趋势感知时尚推荐框架，并在 DeepFashion 上验证其类别相关性与流行度预测效果。
2025-06-09 cs.CV cs.LG
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
A Survey on Deep Learning for Polyp Segmentation: Techniques, Challenges and Future Trends
Nanjing University of Science and Technology（南京理工大学）；Southeast University（东南大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
本文综述了深度学习息肉分割技术，涵盖传统与深度算法、基准数据集及基于息肉大小的评估，并讨论了挑战与未来趋势，提供了公开资源链接。
2025-01-17 cs.CV
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
FishNet: Deep Neural Networks for Low-Cost Fish Stock Estimation
University of Hawai’i at Manoa（夏威夷大学马诺阿分校）；Yayasan Konservasi Alam Nusantara（努桑塔拉自然保护基金会）；People and Nature Consulting International（人与自然国际咨询公司）
本文提出FishNet，利用Mask R-CNN和机器学习模型对低成本相机图像进行鱼类检测、分类和体长估计，在分割、分类和长度预测任务上分别取得92% IoU、89% top-1准确率和2.3cm平均绝对误差。
2024-06-27 cs.CV econ.GN q-fin.EC
Sequential Graph Attention Learning for Predicting Dynamic Stock Trends (Student Abstract)
National Taipei University（国立台北大学）；University of Connecticut（康涅狄格大学）；National Yang Ming Chiao Tung University（国立阳明交通大学）
股票市场的特点是公司与市场之间的关系复杂。本研究结合顺序图结构与注意机制，在时间上学习全局和局部信息。具体来说，我们提出的“GAT-AGNN”模块比较了多个行业以及单个行业内的模型性能。结果表明，该框架优于国家的最先进的方法，在台湾股票数据集上预测多个行业的股票趋势。
2023-01-15 cs.LG q-fin.ST
Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction
预测股票的未来价格趋势是一个具有挑战性的，但有趣的问题，因为它的关键作用，以帮助投资者作出有利可图的决策。在本文中，我们提出了一个协同的时间关系建模框架，用于端到端的股票趋势预测。首先，股票的时间动态捕捉与注意力为基础的递归神经网络。然后，与现有研究依赖股票之间的成对相关性不同，我们认为股票作为一个集体群体是自然联系的，并引入超图结构来共同表征行业归属和基金持有的股票群体关系。提出了一种新的超图三注意力网络（HGTAN），以增强超图卷积网络的超边内，超边间和超图间注意力模块的分层组织。通过这种方式，HGTAN自适应地确定股票之间信息传播过程中节点、超边和超图的重要性，从而可以充分利用股票走势之间的潜在协同效应。在真实数据上的大量实验证明了该方法的有效性。投资模拟的结果也显示，我们的方法可以取得较理想的风险调整收益率。我们工作的数据和代码已在https://github.com/lixiaojieff/HGTAN上发布。
2022-03-05 cs.LG q-fin.ST
Listening to Chaotic Whispers: A Deep Learning Framework for News-oriented Stock Trend Prediction
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）；Microsoft Research（微软研究院）
股票走势预测是实现股票投资收益最大化的关键。然而，由于股票市场的高度波动性和非平稳性，精确的趋势预测是非常困难的。互联网上爆炸式的信息，加上自然语言处理和文本挖掘技术的不断发展，使投资者能够从在线内容中揭示市场趋势和波动。遗憾的是，与股市相关的网络内容的质量、可信度和全面性差异很大，很大一部分是低质量的新闻、评论甚至谣言。为了应对这一挑战，我们模仿人类面对如此混乱的在线新闻的学习过程，由三个原则驱动：顺序内容依赖，多样影响，以及有效和高效的学习。本文针对前两个原则，设计了一个混合注意力网络，根据最近的相关新闻序列来预测股票走势。此外，我们采用自定进度的学习机制来模仿第三个原则。在真实股市数据上的大量实验证明了该方法的有效性。
2019-02-20 cs.LG cs.SI q-fin.ST
Persistent collective trend in stock markets
实证结果表明，在股票指数上升期和下跌期，股价的集体走势存在显著差异。研究了1991年至2008年期间道琼斯工业平均指数及其股票成分的数据。皮尔逊型相关性计算股票之间的平均股票对和时间。结果表明一个总的趋势：每当股票指数下跌时，股票价格的变化比股票指数上涨时更相关。对数据进行全面的统计分析表明，观察到的差异是显著的，这表明股东中存在持续的恐惧因素。
2010-05-03 physics.soc-ph q-fin.ST
Predicting The Stock Trend Using News Sentiment Analysis and Technical Indicators in Spark
Özyeğin University（奥兹耶金大学）；Huawei Turkey R&D Center（华为土耳其研发中心）；Marmara University（马尔马拉大学）
由于股票市场的走势受多种因素的影响，因此预测股票市场的走势一直是一项具有挑战性的工作。在这里，我们通过创建tomorrow_trend特征作为我们要预测的标签，将未来趋势预测问题作为机器学习分类问题来处理。提供不同的特征来帮助机器学习模型预测给定日期的标签;无论是上升趋势还是下降趋势，这些特征都是从股票价格历史中生成的技术指标。此外，由于金融新闻在改变投资者行为方面起着至关重要的作用，因此特定日期的整体情绪评分是根据当天发布的所有新闻创建的，并作为另一个功能添加到模型中。三种不同的机器学习模型在Spark（大数据计算平台），Logistic回归，随机森林和梯度提升机中进行了测试。随机森林是表现最好的模型，测试准确率为63.58%。
2022-01-19 cs.LG q-fin.ST
Support for Stock Trend Prediction Using Transformers and Sentiment Analysis
University of California, Irvine（加州大学欧文分校）
本文提出基于 Transformer 的模型，结合股票技术数据与情感分析，在长时间窗口内提升股票趋势预测准确率，在 30 个工作日序列上方向准确率较 RNNs 提升近 18.63%。
2023-05-18 cs.LG q-fin.ST
Cross-Domain Shopping and Stock Trend Analysis
New York University（纽约大学）
本文提出了一种跨领域的趋势分析，旨在识别和分析股票价格，股票新闻在Twitter上，和用户的电子商务网站上的行为之间的关系。该分析基于三个数据集：美国股票数据集，股票推文数据集和电子商务行为数据集。该分析使用Hadoop、Hive和Tableau执行，允许高效和可扩展的处理和可视化大型数据集。分析包括Twitter情绪（正面和负面推文）的趋势分析和相关性分析，包括推文情绪与股票的相关性，股票趋势与购物行为的相关性，以及基于不同时间片对数据的理解。通过比较数据集随时间推移的不同特征，我们希望深入了解驱动用户行为的因素以及不同类别的市场。该分析的结果可以为企业和投资者提供有价值的见解，为决策提供信息。我们相信，我们的分析可以作为进一步研究和调查这些主题的一个有价值的起点。
2022-12-23 cs.DC cs.IR cs.LG
Statistical properties of short term price trends in high frequency stock market data
我们研究了高频股票市场数据的短期价格趋势分布。测量了作为其长度的函数的一些趋势。我们发现，这样的分布不适合从一个不相关的随机过程的结果。我们提出了一个简单的模型与记忆，给出了一个定性的协议与真实数据。
2007-09-24 physics.soc-ph q-fin.ST
Leveraging Fundamental Analysis for Stock Trend Prediction for Profit
University of Indianapolis（印第安纳波利斯大学）
该研究基于基本面分析，利用财务数据和DCF模型构建两项股票趋势预测任务，对比三类机器学习模型后发现LR模型准确率最优，为基本面结合机器学习的股票预测及投资决策提供参考。
2024-10-04 cs.AI cs.LG q-fin.ST
A Comprehensive Analysis of Time Series Segmentation on the Japanese Stock Prices
本研究对2000年1月4日至2012年1月30日期间东京证券交易所一部上市的日本股票价格进行了全面的时间序列分割分析。一个递归的分割过程中使用的高斯混合的假设。根据经验研究了所有细分市场的每五分位数的每日数量。研究发现，2004年6月至2007年6月，绝大多数种群是稳定的，从2008年开始，一些种群表现出不稳定。2011年3月，由于东日本大地震的影响，社会动荡，每日不稳定证券数量急剧增加。它的结论是，股票的数量包括在每一个五分之一的波动提供了有用的信息，宏观经济形势。
2013-03-21 physics.data-an q-fin.ST
Multi-relational Graph Diffusion Neural Network with Parallel Retention for Stock Trends Classification
School of Computer Science, University of Bristol（布里斯托大学计算机科学学院）；School of Engineering Mathematics and Technology, University of Bristol（布里斯托大学工程数学与技术学院）
本文提出多关系图扩散神经网络MGDPR，通过信息熵与信号能量构建动态多关系股票图，并结合随机扩散和并行保留机制进行解耦表示学习，在美股和A股七年数据上稳定超越基线方法，用于预测股票趋势。
2024-01-05 cs.LG cs.NE q-fin.ST
Analysis of short term price trends in daily stock-market index data
在金融时间序列中，存在值单调增加或减少的周期。我们称这些时期为基本趋势，并研究其持续时间的概率分布指数DJIA，纳斯达克和IPC。结果发现，趋势持续时间分布往往不同于预期下没有记忆。通过Anderson-Darling检验比较了预期分布和观测分布。
2012-11-13 q-fin.ST
LSR-IGRU: Stock Trend Prediction Based on Long Short-Term Relationships and Improved GRU
Tongji University（同济大学）；Emoney Inc.（易方达公司）；Seek Data Group
本文提出LSR-IGRU模型，利用二级行业与隔夜价格构建股票长短期关系，并改进GRU输入以融合关系和时序信息，在中美数据集及实盘算法交易中验证了更优预测与收益表现。
2025-05-11 cs.CE cs.LG q-fin.ST
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
Stock Market Trend Analysis Using Hidden Markov Models
股票市场的价格波动不是完全随机的。事实上，是什么驱动着金融市场，金融时间序列遵循什么样的模式，一直以来都是吸引经济学家、数学家和最近的计算机科学家的兴趣[17]。本文提出了一种利用隐马尔可夫模型（HMM）对股票市场行为进行趋势分析的思想。这种趋势一旦在某个特定时期出现，将来肯定会重演。求出了某一时段内股票收盘价的日差，并确定了其对应的稳态概率分布值。然后基于特定时间的这些概率值来决定股票市场行为的模式。目标是在给定观测序列的情况下找出隐藏状态序列，以便可以使用稳态概率分布（）值分析趋势。六个最佳的隐藏状态序列的产生和比较。当考虑接近值的一天差异时，发现给出最佳的最优状态序列。
2013-11-19 math.PR 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
A data-science-driven short-term analysis of Amazon, Apple, Google, and Microsoft stocks
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；North Dakota State University（北达科他州立大学）
在本文中，我们实现了技术分析和基于机器/深度学习的分析相结合，以构建趋势分类模型。本文的目标是理解短期市场运动，并将其纳入到改善基础的随机模型。此外，本文中提出的分析可以以\emph{model-independent}方式实现。我们执行数据科学驱动的技术，根据当前股票市场数据的价格趋势进行短期预测。基于分析，为数据集生成三个不同的标签：$+1$（买入信号）、$0$（持有信号）或$-1$（卖出信号）。我们建议对四只主要股票进行详细分析-亚马逊，苹果，谷歌和微软。我们实现了各种技术指标来标记数据集根据趋势和训练各种模型的趋势估计。对输出结果和分类结果进行了统计分析。
2021-07-30 cs.LG q-fin.ST
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
Quantifying macroeconomic expectations in stock markets using Google Trends
在其他宏观经济指标中，美国劳工统计局就业形势报告中每月公布的美国失业率数据引起了媒体的广泛关注，并强烈影响了股票市场。我调查是否可以通过预测美国失业率的可能变化来构建一个有利可图的投资策略，在官方新闻发布之前，使用Google查询量进行相关搜索。我发现，人类与互联网互动的大量新数据源不仅提高了美国失业率的可预测性，而且还可以在与宏观经济数据一起考虑时提高交易策略的市场时机。我的研究结果说明了将广泛的行为数据集与经济数据相结合来预测投资者预期和股票市场走势的潜力。
2018-05-01 q-fin.ST q-fin.TR
Tweet Influence on Market Trends: Analyzing the Impact of Social Media Sentiment on Biotech Stocks
本研究利用VADER情绪分析及ARIMA和VAR模型，探讨推文情绪对生物科技股票市场表现的影响，发现社交媒体情绪与股价存在复杂关联，为预测模型改进提供基础。
2024-01-26 cs.LG cs.NA math.FA
Dynamic Advisor-Based Ensemble (dynABE): Case study in stock trend prediction of critical metal companies
Middlesex School（米德尔塞克斯学校）
由于市场的噪音，股票趋势预测是一项具有挑战性的任务，机器学习技术最近成功地应对了这一挑战。在这项研究中，我们创建了一个新的框架，股票预测，动态顾问为基础的Entrance（dynABE）。dynABE基于感兴趣的公司探索特定领域，通过创建不同的“顾问”来实现功能集的多样化，每个顾问处理不同的领域，为每个顾问遵循有效的模型集成程序，并通过我们开发的在线更新策略将顾问组合在第二级集成中。dynABE能够在活跃交易期间稳健地适应市场的价格模式变化，而无需重新训练整个模型。我们在三家钴相关公司上测试了dynABE，它实现了31.12%的最佳情况下的错误分类误差和359.55%的年化绝对收益率，最大回撤为零。dynABE在所有案例研究中的表现也始终优于支持向量机、神经网络和随机森林的基线模型。
2019-02-23 cs.CE cs.LG q-fin.ST
Potential of ChatGPT in predicting stock market trends based on Twitter Sentiment Analysis
本研究探究ChatGPT能否通过Twitter情感分析预测微软、谷歌股价，发现其评估与两家公司后续股价呈正相关，丰富了对ChatGPT适应性的认知并凸显AI在金融预测的重要性。
2026-08-19 cs.AI cs.CL q-fin.ST
Validating Weak-form Market Efficiency in United States Stock Markets with Trend Deterministic Price Data and Machine Learning
DePauw University（迪堡大学）
有效市场假说几十年来一直是经济学研究的主要内容。特别是，弱式市场有效性-即过去的价格不能预测未来的表现-得到了计量经济学证据的有力支持。相比之下，用于预测股票价格的机器学习算法在不同程度上被吹捧为成功的。此外，一些数据科学家吹嘘自己有能力仅使用价格数据就获得高于市场的回报。本研究试图将现有的弱式有效市场的计量经济学研究与算法交易中的数据科学创新联系起来。首先，在过去十年中，股票指数价格的平稳性进行了传统的探索与增广Dickey-Fuller和方差比测试。然后，使用五种机器学习算法实现了一个算法交易平台。计量经济学的研究结果确定了潜在的平稳性，暗示技术评估可能是可能的，尽管算法交易结果在任何机器学习模型中几乎没有预测能力，即使使用特定趋势的指标。考虑到交易成本和风险，没有一个系统能持续获得高于市场的回报。我们的研究结果加强了弱式市场有效性的有效性。
2019-09-11 cs.CE cs.LG econ.EM
Trend and Fractality Assessment of Mexico's Stock Exchange
据计算，截至2013年11月底，墨西哥证券交易所国内市价总值总额为5 200亿美元。为了管理这个系统并进行最佳的资本投资，需要预测其动态。然而，股票指数的随机性使得预测成为一项困难的任务。为了解决这个问题，在这项工作中，使用GNU-R研究了过去23年开盘价和收盘价指数的趋势和分形。研究方法包括收益率、核密度估计、自相关函数、R/S分析和赫斯特指数。结果发现，核估计密度和自相关函数显示出长程记忆效应的存在。在第一近似中，收盘价的收益似乎表现为马尔可夫随机游走，其步长由α稳定随机过程给出。对于极值，收益按幂律渐近衰减，特征指数约为2.5。
2014-11-12 q-fin.ST
World stock market: more sizeable trend reversal likely in February/March 2010
基于我们的“金融预测导向”的方法，其中包括这样的元素，如对数周期的自相似性，普遍的首选比例因子λ =2，并允许一个“超级泡沫”的现象，我们分析了2009年世界股票市场（在这里代表的标准普尔500指数，恒生指数和WIG）的发展。我们确定的元素，表明2009年9月的第三个十年的时间限制，目前的牛市阶段，因此，其次是一个重大的调整。在此背景下我们也解读了中国股票市场上证指数。2009年9月的第三个十年伴随着全球股票市场通常在4-5%范围内的调整。考虑到市场模式，随后交付前一个场景的时间，我们提出了一个更新的场景，其关键时间对应于2009年10月28日。假设相当明显（截至2009年11月12日）由于上述关键时间的修正终止，我们延长-与我们的方法一致-股票市场预测方案。相应的预期标准普尔500指数的未来趋势如图5所示，它支持在2010年2月/3月之交的未来可能平均持续上涨。我们还指出了黄金市场的对数周期模式，它们指出2009年11月底是趋势逆转（可能是局部的）预计开始的时间。
2009-11-17 q-fin.ST
Predicting Financial Market Trends using Time Series Analysis and Natural Language Processing
ADA University（ADA大学）；George Washington University（乔治华盛顿大学）
本研究通过时间序列分析与自然语言处理，利用Twitter情绪和LSTM模型预测股票价格，发现情绪极性是主要影响因素，为投资决策提供参考。
2023-08-31 cs.AI cs.LG q-fin.ST
Analysis of the trends in the index of the Dow Jones Industrial Average (DJIA) of the New York Stock Exchange (NYSE)
假设价格图表可以根据经验分解为随机和非随机两个分量。非随机成分，它可以被视为价格（趋势）在一个时期的近似规则行为，是一条几何线。因此，随机分量以各种幅度围绕非随机分量波动。此外，一个时期的趋势形状在另一个时期可能不同。它进一步假设，可以找到统计证据的几种类型的趋势和价格的下一个运动的方向之间的各种关系。这些假设是测试的道琼斯工业指数（道）的历史数据和证实。此外，统计数据表明，道琼斯指数近期的一些趋势可以用来预测该指数的近期走势。因此，预测DJIA的衰退即将到来，这可能预示着世界范围的经济危机。
2011-09-20 q-fin.ST
Can Google Trends search queries contribute to risk diversification?
投资组合多元化和积极的风险管理是金融分析的重要组成部分，在全球金融危机期间和之后变得更加重要（并受到质疑）。我们提出了一种新的方法来投资组合多样化，使用谷歌趋势上的搜索项的信息。多样化是基于这样一个想法，即通过搜索查询衡量的股票受欢迎程度与股票风险相关。我们通过给热门股票分配较低的投资组合权重来惩罚它们，并将不太受欢迎的股票或外围股票提前，以降低投资组合的总风险。我们的研究结果表明，这种策略优于基准指数和均匀加权的投资组合样本内和样本外。
2013-10-05 q-fin.PM 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
Nonlinear price dynamics of S&P 100 stocks
所提出的方法提供了一种定量的方式来描述特定资产类别和时间段内的投资者行为和价格动态。该方法适用于由2004-2018年标准普尔100指数股票的超过250，000个数据点组成的数据集。使用双向固定效应模型，我们发现交易者的动机，包括在一个统一的设置下的反应不足和过度反应的证据。回报和趋势之间存在非线性关系，表明小的正趋势会增加回报，而大的趋势会减少回报。非线性的形状参数量化了交易者买入趋势或等待便宜货的动机。该方法允许测试任何行为金融学偏见或技术分析概念。
2019-07-09 q-fin.GN q-fin.ST
A novel improved fuzzy support vector machine based stock price trend forecast model
模糊支持向量机在股票价格预测中的应用。支持向量机是20世纪90年代提出的一种新型的机器学习方法。它可以非常成功地处理分类和回归问题。由于支持向量机优良的学习性能，该技术已成为机器学习领域的研究热点，并在多个领域得到了成功的应用。然而，作为一种新的技术，支持向量机存在着许多局限性。客观世界中存在着大量的模糊信息。如果支持向量机的训练中含有噪声和模糊信息，那么支持向量机的性能就会变得很弱、很无力。由于影响股票价格预测的因素很多，复杂性很大，传统的支持向量机预测结果不能满足人们的精度要求，本研究改进了传统的支持向量机模糊预测算法，提高了新模型的精度。纳斯达克股票市场，标准普尔（S&P）股票市场被认为是。新的先进模糊支持向量机（NA-FSVM）的建议的方法。
2018-01-02 q-fin.ST stat.ML
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
Applying Convolutional Neural Networks for Stock Market Trends Identification
在本文中，我们将一种特定类型的人工神经网络-卷积神经网络（CNN）-应用于寻找趋势的起点和终点的问题，这是进入和离开市场的最佳点。我们的目标是探索长期趋势，持续数月，而不是几天。我们模型的关键区别在于，它的标签完全基于专家意见数据。尽管有各种模型完全基于股票价格数据，但一些市场专家仍然认为，交易员能够看到隐藏的机会。标签是通过GUI界面完成的，这意味着专家直接使用图像，而不是数字数据。这一事实使CNN成为算法的自然选择。所提出的框架需要三个CNN子模型的顺序交互，这三个子模型识别窗口中变化点的存在，定位它，并最终识别新趋势的类型-向上，向下或平坦。这些子模型存在一定的缺陷，因此其超参数的标定是进一步研究的主要方向。该研究解决了诸如不平衡的数据集和自相矛盾的标签等问题，以及需要特定的质量指标来跟上实际适用性。本文是在第20届人工智能与软计算Web系统国际会议（ICAISC 2021）上发表的研究全文。
2021-04-19 cs.AI cs.IT math.IT
On interrelations of recurrences and connectivity trends between stock indices
金融数据已经被广泛研究的相关性使用皮尔逊的交叉相关系数ρ作为出发点。我们采用一个基于递归图的估计器-递归概率相关性（CPR）-来分析分布在世界各地的九个股票指数之间的联系。我们建议对CPR方法稍作修改，以获得更可靠的结果。我们检查了沿时间序列移动的大约19个月窗口的CPR趋势，并将其与ρ进行比较。将CPR分为三个连接级别：强，中等和弱，我们提取了每个箱中连接数量随时间的趋势。我们还通过移动时间序列来对齐它们的峰值，来观察CPR在网络泡沫期间的行为。CPR主要揭示了市场在强连通性时期的不稳定性，而不是单调地朝着增加全球连通性的方向发展。这与ρ相反，ρ给出了一幅不断增加的相关性的图像。CPR还表明，时移市场在2000年的网络泡沫前后具有高度的连通性。我们强调的重要性，显着性检验的解释措施，适用于现场数据。CPR对显著性检验更稳健。它具有对噪声鲁棒的附加优点，并且对于短时间序列长度和低采样频率是可靠的。此外，它比ρ对变化更敏感，因为它捕捉了底层系统的基本动态之间的相关性。
2011-03-27 nlin.CD physics.data-an q-fin.ST
Stationarity of the detrended price return in stock markets
本文提出了一个考虑非平稳效应的股票市场指数的控制方程。这是一个线性福克-普朗克方程（FPE），描述了价格收益率概率分布函数（PDF）的时间演化。通过应用伊藤引理，这个FPE是与一个随机微分方程（ZH），模型的时间演变的价格回报的方式不同于经典的布莱克-斯科尔斯方程。FPE方程和FPE方程都考虑了确定性部分或趋势，以及作为q-高斯噪声的平稳随机部分。利用S\&P500指数的数据对模型进行了验证。在从指数中去除趋势后，我们通过评估多重分形时间序列的赫斯特指数、其功率谱及其自相关性来证明去除趋势的部分是平稳的。
2020-08-22 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
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
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
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
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
Time Series Analysis in American Stock Market Recovering in Post COVID-19 Pandemic Period
本研究基于三大股指ETF数据，运用LSTM等深度学习方法分析后疫情时期美股趋势，发现市场持续下跌，并提出了有证据支持的LSTM配置方法。
2022-12-10 q-fin.ST stat.AP
StockBot: Using LSTMs to Predict Stock Prices
已经尝试使用许多方法来评估金融市场以预测其行为，从而做出明智和有利可图的投资决策。由于高度非线性的趋势和相互依赖性，往往很难制定一个统计方法来阐明整个市场行为。为此，我们提出了一个基于长短期记忆（LSTM）的模型，该模型利用时间序列数据的序列结构来提供准确的市场预测。然后，我们开发了一个决策StockBot，在一天结束时买入/卖出股票，目标是利润最大化。我们成功地展示了一个准确的预测模型，因此我们的StockBot可以超越市场，并可以制定策略，获得比市场上最激进的ETF高出约15倍的收益。
2022-07-30 q-fin.ST
Stationarity analysis of the stock market data and its application to mechanical trading
基于KM $_2$ O-Langevin理论，提出了一种股票价格波动平稳性分析方案。利用该方案，我们将股票价格波动的时间序列数据分为三个时期：平稳，非平稳，和中间。然后，我们提出了一个低风险的股票交易策略的例子来证明我们的计划的有用性，通过使用实际的股票指数数据。我们的策略使用一个基于趋势的指标，移动平均线，为平稳期和一个基于波动的指标，心理线，为非平稳期做出交易决定。最后，通过对日经指数的回测，我们确认我们的策略是一个安全的交易策略，最大回撤较小。本研究首次将KM $_2$ O-Langevin理论的平稳性分析应用于实际的机械交易，为股票价格预测开辟了新的途径。
2022-02-11 q-fin.ST
Stock Market Scale by Artificial Insymmetrised Patterns
考虑了全球股票市场的大型和稳定指数，如纽约证券交易所和标准普尔500指数，以及代表新趋势市场的纳斯达克指数和东欧当地股票市场的WIG指数。由于人工不对称模式（AIP）和时间序列的关系，股票市场指数的平稳性和临时性进行了识别。通过过滤极端事件，发现波动是自相似的。时间上的快照导致对市场相对于其历史的暂时状态的估计。看起来，接近崩溃时，系统的AIP表示会冻结。
2002-07-09 cond-mat.stat-mech q-fin.ST
Effectiveness of Artificial Intelligence in Stock Market Prediction based on Machine Learning
本文试图解决利用人工智能（AI）策略进行股票市场预测的问题。股票市场的预测可以根据两个主要的分析建模，称为技术和基本面。在技术分析方法中，采用回归机器学习（ML）算法，根据历史价格数据预测营业日结束时的股票价格趋势。与此相反，在基本面分析中，分类ML算法被应用于基于新闻和社交媒体的公众情绪分类。在技术分析中，历史价格数据来自雅虎财经，在基本面分析中，Twitter上与股票市场相关的公共推文被调查，以评估情绪对股票市场预测的影响。结果显示了中等的表现，这意味着在目前的人工智能技术下，声称人工智能可以击败股票市场还为时过早。
2021-06-30 q-fin.ST
Exploring Graph Neural Networks for Stock Market Predictions with Rolling Window Analysis
IBM Japan（IBM日本）；IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）；IBM Research - Tokyo（IBM东京研究院）
最近，人们对使用机器学习来帮助准确预测金融市场的兴趣激增。尽管在金融和人工智能领域取得了令人兴奋的进展，但目前的许多方法仅限于使用技术分析来捕捉每个股票价格的历史趋势，因此仅限于某些实验设置以获得良好的预测结果。另一方面，专业投资者还利用他们对市场间和公司间关系的丰富知识来绘制公司和事件的连接性，并使用该地图来做出更好的市场预测。例如，他们不仅根据某一公司以前的股票价格趋势，而且根据其供应商或客户的业绩、整个行业、宏观经济因素和贸易政策来预测该公司股票价格的变动。本文研究了市场预测和图神经网络的交叉点的工作的有效性，这些网络具有通过将公司知识图谱直接纳入预测模型来模仿投资者做出决策的方式的潜力。这项工作的主要目标是测试这种方法在不同的市场和更长的时间范围内使用滚动窗口分析回测的有效性。在这项工作中，我们专注于预测日本日经225市场的个股价格在大约20年的时间。在知识图谱中，我们使用了日经价值搜索数据，这是一个主要显示日本和外国企业之间供应商关系的丰富数据集。我们的初步结果显示，与市场基准相比，回报率和夏普比率分别增加了29.5%和2.2倍，与基线LSTM模型相比，分别增加了6.32%和1.3倍。
2019-11-27 cs.LG q-fin.ST
Previsão dos preços de abertura, mínima e máxima de índices de mercados financeiros usando a associação de redes neurais LSTM
为了做出好的投资决策，投资者知道如何对金融时间序列进行好的分析是至关重要的。在这种情况下，对股票价格的价值和趋势的预测研究变得更加相关。目前，有不同的方法来处理这项任务。两个主要的是股票价格和技术指标的历史分析，以及对市场的新闻，博客和推文中的情绪分析。一些最常用的统计和人工智能技术是遗传算法，支持向量机（SVM）和人工神经网络的不同架构。这项工作提出了一种基于三个不同LSTM神经网络关联的模型的改进，每个神经网络并行预测分析后第二天证券交易所指数的开盘价、最低价和最高价。该数据集由全球最大的证券交易所的10多个指数的历史数据组成。结果表明，该模型能够预测趋势和股票价格与合理的准确性。
2021-07-29 q-fin.ST
