A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series
Yunnan Agricultural University（云南农业大学）；New York University（纽约大学）；Carnegie Mellon University（卡内基梅隆大学）
针对传统深度学习模型难以捕捉非平稳金融数据长期依赖与周期模式的问题，提出集成FEDformer、残差异常检测器与风险预测头的混合框架，在多类金融数据集上取得更优的异常检测与风险预测效果。
2025-11-17 cs.LG
Tensor-Train Recurrent Neural Networks for Interpretable Multi-Way Financial Forecasting
Imperial College London（帝国理工学院）
循环神经网络（RNN）代表了序列建模的事实标准机器学习工具，这是由于它们的表达能力和记忆。然而，当处理大维度数据时，相应的参数数量的指数增加会造成计算瓶颈。需要让RNN具备处理维数灾难的能力，例如通过张量固有的参数压缩能力，这导致了Tensor-Train RNN（TT-RNN）的发展。尽管在许多应用中取得了令人鼓舞的结果，但TT-RNN的全部潜力还有待于在可解释的金融建模中进行探索，这是一项以低信噪比的多模态数据为特征的具有挑战性的任务。为了解决这个问题，我们研究了TT-RNN在货币金融预测任务中的潜力。通过对TT因子的分析，我们表明，张量分解背后的物理意义使TT-RNN模型能够帮助结果的可解释性，从而减轻了与神经网络相关的臭名昭著的“黑箱”问题。此外，仿真结果突出了TT分解的正则化能力，证明了TT-RNN优于未压缩RNN和其他张量预测方法的性能。
2021-05-11 cs.LG
Large Language Models for Financial Aid in Financial Time-series Forecasting
University of Virginia（弗吉尼亚大学）；School of Data Science, University of Virginia（弗吉尼亚大学数据科学学院）
针对金融援助时间序列数据稀缺、维度高的问题，本文基准评估以GPT-2为骨干的预训练LLM、transformer和线性模型，证明其在少样本或零样本设置下可超越传统方法。
2024-10-24 cs.AI cs.LG
CC-Time: Cross-Model and Cross-Modality Time Series Forecasting
East China Normal University（东华大学）；Aalborg University（奥尔堡大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）
针对PLM用于时间序列预测精度不足的问题，本文提出CC-Time，通过跨模态对齐和跨模型融合整合语言模型与时序模型知识，并在九个数据集上取得SOTA性能。
2025-09-28 cs.LG
Adapting to the Unknown: Robust Meta-Learning for Zero-Shot Financial Time Series Forecasting
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对零样本金融时间序列预测现有元学习方法表现不佳的问题，提出基于GMM软聚类的双类型元任务构建方法结合难任务挖掘，在高波动及新兴市场数据上实现更优的零样本泛化性能。
2025-08-01 cs.LG
Integrating Inductive Biases in Transformers via Distillation for Financial Time Series Forecasting
National Chengchi University（中华大学）
提出TIPS框架，通过知识蒸馏将因果性、局部性和周期性等归纳偏置整合到统一Transformer中，在四个主要股票市场实现年化收益、夏普比率和卡尔玛比率分别提升55%、9%和16%，且推理计算量仅为38%。
2026-05-27 cs.LG
Overcoming the Modality Gap in Context-Aided Forecasting
ServiceNow Research（ServiceNow研究）；McGill University（麦吉尔大学）；Mila - Quebec AI Institute（魁北克AI研究所）
本文提出半合成数据增强方法，生成高质量上下文以提升上下文辅助预测性能，构建了700万规模的数据集，并验证了其在真实场景中的有效性。
2026-07-16 cs.LG
A K-means Algorithm for Financial Market Risk Forecasting
Southern Methodist University（南卫理公会大学）
本研究采用K-means算法构建金融市场风险预测系统，有效解决了现有预测错误率高、精度低的问题，实验达到94.61%的准确率，提升了预测的准确性与效率。
2024-05-21 cs.LG q-fin.ST
FinAbstain: Uncertainty-Calibrated Multimodal RAG for Selective Financial Forecasting
研究针对大语言模型在金融预测中证据不足时高置信度的问题，提出FinAbstain框架，通过多模态检索增强生成及选择性预测，经多种不确定性评估方法和指标评估，贡献了时间安全架构、复合不确定性公式和可重复评估蓝图。
2026-07-29 cs.LG
Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019
TOBB University of Economics and Technology（TOBB经济与技术大学）
金融时间序列预测由于其广泛的应用领域和巨大的影响力，无疑是学术界和金融业金融研究人员的首选计算智能。机器学习（ML）研究人员提出了各种模型，并相应地发表了大量研究。因此，有大量的调查涵盖了ML的金融时间序列预测研究。最近，深度学习（DL）模型开始出现在该领域，其结果显着优于传统的ML同行。尽管人们对开发金融时间序列预测研究模型的兴趣越来越大，但缺乏专门针对金融DL的综述论文。因此，我们在本文中的动机是提供一个全面的文献综述DL研究的金融时间序列预测的实现。我们不仅根据预期的预测实施领域（如指数、外汇、商品预测）对研究进行分类，还根据DL模型选择（如卷积神经网络（CNN）、深度信念网络（DBN）、长短期记忆（LSTM））对研究进行分组。我们还试图通过强调可能的挫折和机遇来展望该领域的未来，以便感兴趣的研究人员能够受益。
2019-11-29 cs.LG q-fin.CP stat.ML
FinTSBridge: A New Evaluation Suite for Real-world Financial Prediction with Advanced Time Series Models
Tsinghua University（清华大学）；Peng Cheng Laboratory（鹏城实验室）
针对前沿时间序列预测模型与金融资产定价领域缺乏衔接的问题，研究构建了含三个金融数据集、十余种模型及新指标msIC、msIR的评估套件FinTSBridge，评估模型在金融任务中的性能与潜力，为相关研究提供参考。
2025-06-11 cs.LG q-fin.TR
Financial Market Directional Forecasting With Stacked Denoising Autoencoder
Nanjing Audit University（南京审计大学）；Southwestern University of Finance and Economics（西南财经大学）
预测股票市场走向一直是金融学中一个令人惊奇而又富有挑战性的问题。虽然许多流行的浅层计算方法（如反向传播网络和支持向量机）已被广泛提出，但大多数算法尚未达到理想的适用性水平。在本文中，我们提出了一种深度学习模型，该模型具有强大的生成高级特征表示的能力，可用于准确的财务预测。准确地说，应用来自深度学习的堆叠去噪自动编码器（SDAE）来预测来自中国上海和深圳证券交易所的每日CSI 300指数。我们使用六个评价标准来评估其性能，并与反向传播网络，支持向量机。实验表明，采用深机技术的底层金融模型对沪深300指数的预测具有显著优势。
2019-12-02 cs.LG q-fin.CP
Multi-task Learning for Financial Forecasting
金融预测是机器学习中具有挑战性和吸引力的研究课题。有许多经典的解决方案，以及许多基于深度学习的方法，提出来处理它，产生令人鼓舞的性能。股票时间序列预测是金融预测中最具代表性的问题。由于股票之间的联系很强，对预测有价值的信息不仅包含在单个股票中，而且包含在与之相关的股票中。然而，以往的研究大多集中在单一的股票上，容易忽略其他股票中有价值的信息。为了利用更多的信息，在本文中，我们提出了一种联合预测方法，同时处理多个时间序列的相关股票，使用多任务学习框架。与以往的工作相比，我们使用多个网络来预测多个相关的股票，通过多任务学习，同时使用它们的共享和私有信息。此外，我们提出了一个注意力方法学习的基础上资本资产定价模型（CAPM）的思想，以帮助预测的共享和私人信息的优化加权组合。各种数据的实验结果表明，改进的预测性能基线方法。
2019-01-22 cs.AI cs.LG stat.ML
Volatility Forecasting in Global Financial Markets Using TimeMixer
Hong Kong Community College（香港社区学院）
本研究应用 TimeMixer 模型预测全球金融资产波动率，发现其通过多尺度混合方法在短期预测中表现优异，但在长期预测中准确性下降，适用于金融风险管理。
2024-09-27 cs.AI cs.LG q-fin.ST
Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach
Independent Researcher（独立研究者）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Southern Methodist University（南卫理公会大学）；Shanghai University of Finance and Economics（上海财经大学）
本文提出混合机器学习算法比较研究以预测比特币价格并提升可解释性，引入OLS、LASSO、LSTM和决策树，实验表明线性回归性能最佳，并系统概述时间序列预处理技术以挖掘复杂模式。
2023-12-31 cs.LG q-fin.ST
Bilinear Input Normalization for Neural Networks in Financial Forecasting
Tampere University（坦佩雷大学）；Aarhus University（奥胡斯大学）
数据规范化是构建机器学习模型时最重要的预处理步骤之一，特别是当感兴趣的模型是深度神经网络时。这是因为使用随机梯度下降优化的深度神经网络对输入变量范围敏感，并且容易出现数值问题。不同于其他类型的信号，金融时间序列往往表现出独特的特征，如高波动性，非平稳性和多模态，使他们具有挑战性的工作，往往需要专业领域的知识来设计一个合适的处理管道。在本文中，我们提出了一种新的数据驱动的规范化方法，用于处理高频金融时间序列的深度神经网络。所提出的归一化方案，它考虑到金融多元时间序列的双峰特性，不需要专业知识来预处理金融时间序列，因为这一步骤被制定为端到端的优化过程的一部分。我们的实验，进行了国家的最先进的神经网络和高频数据，从两个大规模的限价订单簿来自北欧和美国市场，在预测未来的股票价格动态显着改善其他规范化技术。
2021-09-01 cs.LG q-fin.ST
Realised Volatility Forecasting: Machine Learning via Financial Word Embedding
Alliance Manchester Business School at the University of Manchester（曼彻斯特大学阿利安斯商业学校）；Department of Engineering Science, University of Oxford（牛津大学工程科学系）；Alliance Manchester Business School, University of Manchester（曼彻斯特大学阿利安斯商业学校）
本文研究新闻如何提升现实波动率预测，通过现代且操作简单的NLP框架，发现新闻内容在高波动日具有更强预测作用，结合领先指标可提升统计性能和经济收益。
2026-08-31 cs.CL cs.LG q-fin.CP
FiCoTS: Fine-to-Coarse LLM-Enhanced Hierarchical Cross-Modality Interaction for Time Series Forecasting
School of Advanced Interdisciplinary Sciences, University of Chinese Academy Sciences（中国科学院大学先进交叉学科学院）；MAIS, Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所MAIS）；Great Bay University（大亚大学）
FiCoTS通过细到粗的LLM增强层次跨模态交互框架，提升多模态时间序列预测的性能。
2025-11-29 cs.AI cs.LG
FinCast: A Foundation Model for Financial Time-Series Forecasting
School of Computer Science（计算机科学系）；The University of Sydney（悉尼大学）
本文提出首个面向金融时间序列预测的基础模型 FinCast，通过大规模金融数据训练，在无需领域特定微调的情况下实现强大零样本预测性能，超越现有最先进方法。
2025-08-27 cs.AI cs.LG q-fin.CP
Deep Multiple Instance Learning For Forecasting Stock Trends Using Financial News
The University of Hong Kong（香港大学）
一个主要的信息来源可以从金融新闻文章，其中有一些关于股票趋势波动的相关性。本文从多实例的角度研究了财经新闻对股票走势的影响。这背后的直觉是基于新闻发生的时间间隔不同的新闻不确定性，以及每一条金融新闻都缺乏注释。在多实例学习（Multiple Instance Learning，MIL）的场景下，训练实例被安排在数据包中，标签被分配给整个数据包，而不是实例，我们开发了一个灵活的和自适应的多实例学习模型，并评估其在金融新闻数据集上对标准普尔500指数方向性运动预测的能力。具体来说，我们将每个交易日视为一个袋子，每个交易日发生的一定数量的新闻作为每个袋子中的实例。实验结果表明，我们提出的基于多实例的框架获得了优异的结果，在趋势预测的准确性，与其他国家的最先进的方法和基线。
2022-06-29 cs.LG q-fin.CP
RefineBridge: Generative Bridge Models Improve Financial Forecasting by Foundation Models
Department of Electrical and Electronic Engineering, Imperial College London, UK（帝国理工学院伦敦分校电子与电气工程系）；Department of CST, Tsinghua University, Beijing, China（清华大学计算机科学与技术系）
RefineBridge通过生成桥梁模型改进金融预测，利用可处理的Schrödinger Bridge框架提升时间序列基础模型的预测性能。
2026-01-30 cs.LG eess.SP
NumHTML: Numeric-Oriented Hierarchical Transformer Model for Multi-task Financial Forecasting
Westlake Institute for Advanced Study, Westlake University（西湖大学高等研究院）；School of Engineering, Westlake University（西湖大学工学院）；The Insight Centre for Data Analytics, University College Dublin（都柏林大学学院洞察数据分析中心）；Department of Computer Science, University of Warwick（华威大学计算机科学系）
金融预测一直是机器学习研究的一个重要而活跃的领域，因为它带来了挑战，即使是预测准确性或预测的微小改进也可能带来潜在的回报。传统上，财务预测在很大程度上依赖于来自结构化财务报表的量化指标和度量。包括文本和音频在内的盈利电话会议数据是非结构化数据的重要来源，已被用于使用深度盈利和相关方法的各种预测任务。然而，当前基于深度学习的方法在处理数字数据的方式上受到限制;数字通常被视为纯文本标记，而没有利用其底层数字结构。本文描述了一个面向数字的层次Transformer模型，利用不同类别的数字（货币，时间，百分比等），使用多模态对齐的盈利呼叫数据来预测股票收益和金融风险。和他们的规模。我们使用真实世界的公开数据集，针对几个最先进的基线对NumHTML进行了全面评估。结果表明，NumHTML在各种评估指标上的表现明显优于当前最先进的技术，并且它有可能在实际交易环境中提供显着的财务收益。
2022-01-05 cs.AI cs.LG econ.EM
Time Series Foundation Models for Multivariate Financial Time Series Forecasting
Imperial College London（伦敦帝国学院）
本研究评估了Tiny Time Mixers和Chronos两种时间序列基础模型在三项金融预测任务中的表现，发现预训练模型在数据效率和零样本能力上具有显著优势，但仍需领域特定优化以超越传统专用模型。
2025-07-09 cs.LG q-fin.GN
ReLaMix: Residual Latency-Aware Mixing for Delay-Robust Financial Time-Series Forecasting
Lanzhou University（兰州大学）；Brandeis University（品牌斯大学）；Shenzhen University（深圳大学）；Central University of Finance and Economics（中央财经大学）；Central China Normal University（中央师范大学）
本文提出ReLaMix网络，通过残差细化和可学习瓶颈压缩提升延迟观测下的信号恢复能力，在大规模PAXGUSDT数据集上验证了其在多种延迟比例和预测时间跨度下的卓越性能。
2026-03-21 cs.AI cs.LG
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
Calibration Bets on the Past: Post-Training Quantization for Financial Time-Series Forecasting
School of Computing, Montclair State University（蒙特克莱尔州立大学计算机学院）
该研究针对S&P 500的波动率预测，探究PTQ中激活校准对4位量化的影响，发现百分位校准可缓解4位量化的性能下降，为金融预测的低精度部署提供指导。
2026-08-13 cs.LG q-fin.ST
A Hypothesis on Good Practices for AI-based Systems for Financial Time Series Forecasting: Towards Domain-Driven XAI Methods
本文提出基于AI的金融时间序列预测系统良好实践假说，强调数据质量、受众特定方法、数据属性及解释稳定性，以指导领域驱动的可解释AI工具开发。
2023-11-13 cs.LG q-fin.GN
Machine Learning Algorithms for Financial Asset Price Forecasting
University of Oxford（牛津大学）；Saïd Business School（赛德商学院）
本文探讨了机器学习（ML）算法和技术的性能，可用于金融资产价格预测。资产价格和收益的预测和预测仍然是量化金融和从业人员面临的最具挑战性和最令人兴奋的问题之一。近年来生成和捕获的数据大量增加，为利用机器学习算法提供了机会。这项研究直接比较和对比了现代机器学习算法在高性能计算（HPC）基础设施上的最新实现与传统和高度流行的资本资产定价模型（CAPM）在美国股票数据上的实现。实施的机器学习模型-在整个股票宇宙的时间序列数据上训练（除了外部宏观经济变量）显着优于CAPM的样本外（OOS）测试数据。
2020-03-31 cs.LG econ.EM q-fin.ST
CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements
Southwestern University of Finance and Economics（西南财经大学）；Kyoto Institute of Technology（京都技术大学）
针对现有金融预测无法捕捉多模态特性与事件因果关系的问题，提出CAMEF框架，整合文本与时间序列数据，结合因果学习与LLM反事实事件增强技术，构建新数据集并验证了其在金融预测中的有效性。
2025-08-08 cs.AI cs.CE cs.IR
DSFNet: Learning Dual-Domain Spectral Operators for Multi-Modality Spatio-Temporal Forecasting in Urban Transportation Systems
Southeast University（东南大学）；Jiangsu Province Collaborative Innovation Center of Modern Urban Traffic Technologies（江苏省现代城市交通技术协同创新中心）；City University of Hong Kong（香港城市大学）；School of Mathematics, Southeast University（东南大学数学学院）；Systems Research Institute of the Polish Academy of Sciences（波兰科学院系统研究所）；Luoyang Normal University（洛阳师范学院）；Purple Mountain Laboratories（紫金山实验室）；AGH University of Krakow（AGH科技大学）
提出双域谱滤波网络DSFNet，通过特征域和空间域谱算子分解空间-模态交互，显式建模跨变量耦合与异质空间依赖，结合外部门控机制自适应调节时间动态，在五个真实交通数据集上MAE降低3.21%-10.16%。
2026-06-05 cs.AI cs.LG
Data-driven Neural Architecture Learning For Financial Time-series Forecasting
Tampere University of Technology（坦佩雷理工大学）；Aarhus University（奥胡斯大学）
金融时间序列的预测是一个具有挑战性的任务，因为大多数现实世界的数据表现出非平稳性和非线性相关性。此外，不同的数据模态往往嵌入不同的非线性关系，这是很难捕捉的人类设计的模型。为了解决金融时间序列预测中的监督学习任务，我们提出了一个最近制定的算法，自适应地学习映射函数，实现了一个异构的神经架构组成的广义运算感知器，给定一组标记的数据。通过修改目标函数，该算法可以适应经常观察到的不平衡数据分布问题。在一个大规模的限价订单数据集上的实验表明，该算法优于相关算法，包括基于张量的方法，可以访问更广泛的输入信息。
2019-03-05 cs.CE cs.LG q-fin.ST
KiT: A Foundation Model for Financial Time-Series Forecasting using DiffusionTransformers
University of California, Los Angeles（加州大学洛杉矶分校）；Southeast University（东南大学）
针对金融K线预测中信噪比低和异质性问题，提出基于扩散Transformer的KiT基础模型，通过流匹配生成未来OHLCV轨迹，在多个市场和时间尺度上取得领先性能。
2026-09-29 cs.CV cs.LG
FinVerse: Toward More Realistic Evaluation for Financial Time-Series Forecasting
本研究推出金融时间序列预测基准FinVerse，其针对43个公开时间序列基础模型的分析显示，通用预测标准下的优异表现未必对应实用金融预测，凸显了领域感知基准的必要性。
2026-10-26 cs.AI cs.LG
Forecasting The JSE Top 40 Using Long Short-Term Memory Networks
University of the Witwatersrand（威特沃特斯兰德大学）
由于大数据的更大可用性，以及现代计算的成本降低和能力增加，使用人工神经网络进行金融时间序列预测再次成为金融界讨论和研究的主要话题。尽管有这样的学术焦点，但对于人工神经网络的表现最好以及它们是否优于传统时间序列模型的预测能力，仍然存在截然不同的观点和文献。本文利用长短期记忆网路，对日本证券交易所40大指数的收益率资料进行金融时间序列预测。此外，预测性能的长短期记忆网络的预测性能的季节性自回归集成移动平均模型进行了比较。本文评估了现有文献中提出的不同方法，并最终将结果与现有文献进行了比较。本文的结论是，长短记忆网络优于季节性自回归积分移动平均模型预测日内方向性运动，以及在预测指数收盘价。
2021-04-20 cs.LG stat.ML
Conditional Mutual information-based Contrastive Loss for Financial Time Series Forecasting
KTH Royal Institute of Technology（瑞典皇家理工学院）；RISE Research Institutes of Sweden（瑞典RISE研究院）
我们提出了一个金融时间序列预测的表示学习框架。使用深度学习模型进行金融预测的一个挑战是在使用小数据集时缺乏可用的训练数据。使用在小数据集上训练的深度神经网络进行直接趋势分类容易受到过拟合问题的影响。在本文中，我们建议首先从时间序列数据中学习紧凑的表示，然后使用学习到的表示来训练一个更简单的模型来预测时间序列运动。我们考虑一类条件潜变量模型。我们训练一个编码器网络，以最大化潜在变量和以编码的观测变量为条件的趋势信息之间的互信息。我们表明，条件互信息最大化可以近似的对比损失。然后，问题被转化为一个分类任务，确定两个编码表示是否是从同一类或不采样。这相当于对训练数据点进行成对比较，从而提高了编码器网络的泛化能力。我们使用深度自回归模型作为编码器来捕获序列数据的长期依赖性。实证实验表明，我们提出的方法有可能提高最先进的性能。
2021-05-07 cs.LG stat.ML
EqDrive: Efficient Equivariant Motion Forecasting with Multi-Modality for Autonomous Driving
University of Michigan（密歇根大学）；Shanghai Jiao Tong University（上海交通大学）
针对自动驾驶车辆运动预测中传统模型容量低、误差高、训练效率差的问题，提出结合等变模型EqMotion与多模态预测机制的EqDrive方法，以更少参数和更短训练时间实现SOTA预测性能。
2025-08-02 cs.LG cs.RO
Spatiotemporal Adaptive Neural Network for Long-term Forecasting of Financial Time Series
Université de Sherbrooke（舍布鲁克大学）；Laplace Insights
社会环境中的最优决策通常基于时间序列（TS）数据的预测。最近，使用深度神经网络（DNN）（例如递归神经网络（RNN））的几种方法已经被引入用于TS预测，并且已经显示出有希望的结果。然而，这些方法的适用性受到质疑TS设置，其中缺乏质量训练数据和TS预测表现出复杂的行为。这种情况的例子包括金融TS预测，其中产生准确和一致的长期预测是众所周知的困难。在这项工作中，我们研究了基于DNN的模型是否可以通过学习序列的联合表示来联合预测这些TS，而不是从原始时间序列表示中计算预测。为此，我们利用动态因子图（DFG）建立了一个多元自回归模型。我们研究了依赖于DFG框架的RNN的一个常见局限性，并提出了一种新的基于可变长度注意力的机制（ACTM）来解决这个问题。使用ACTM，可以随着时间的推移改变TS模型的自回归阶数，并建模比以前的方法更大的概率分布集。使用这种机制，我们提出了一种用于多变量TS预测的自监督DNN架构，该架构可以学习并利用它们之间的关系。我们在两个涵盖19年投资基金活动的数据集上测试了我们的模型。我们的实验结果表明，所提出的方法在预测21天的价格轨迹方面明显优于典型的基于DNN的统计模型。我们指出如何提高预测的准确性，知道使用哪种预测可以提高自主交易策略的超额收益。
2020-11-16 cs.LG stat.ML
Data-Efficient Realized Volatility Forecasting with Vision Transformers
Stanford University（斯坦福大学）
本文探索将视觉Transformer（ViT）应用于期权隐含波动率曲面，以预测未来30天已实现波动率，初步验证其能学习季节性模式与非线性特征，为期权数据Transformer建模提供了有前景的方向。
2025-11-04 cs.CV cs.LG
Deep Video Prediction for Time Series Forecasting
J. P. Morgan AI Research（摩根大通人工智能研究院）
时间序列预测是许多领域决策的基础。在这项工作中，我们解决了预测多个潜在的相互作用的金融资产之间的价格演变的挑战。解决这一问题对政府、银行和投资者来说显然很重要。自回归积分滑动平均（ARIMA）等统计方法被广泛应用于这些问题。在本文中，我们提出了一种新的方法，通过视频预测的经济时间序列预测的多个金融资产。考虑到多个潜在相互作用的金融资产的过去价格，我们的目标是预测未来的价格演变。我们没有将每个时间点的价格快照视为向量，而是将这些价格在2D空间中布局为图像，这样我们就可以利用CNN的力量来学习这些金融资产的潜在表示。因此，这些价格的历史变成了一系列图像，我们的目标变成了预测未来的图像。我们建立在一个国家的最先进的视频预测方法来预测未来的图像。我们的实验涉及在美国股票市场交易的九种金融资产的价格演变的预测任务。所提出的方法优于基线，包括ARIMA，Prophet和所提出的方法的变体，证明了在经济时间序列预测问题中利用CNN的力量的好处。
2021-11-03 cs.CV cs.LG econ.EM
MM-FinEval: A Multi-Task Multimodal Benchmark for Real-World Financial Forecasting
Northwestern University（西北大学）；New Jersey Institute of Technology（新泽西理工学院）；Georgia Institute of Technology（佐治亚理工学院）；Pace University（佩斯大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出MM-FinEval，一个包含2019-2022年2045场标普500财报电话会议、覆盖12个金融任务的多模态基准，验证三模态输入对多模态大模型金融预测的有效性。
2026-10-01 cs.AI cs.LG
From Patterns to Predictions: A Shapelet-Based Framework for Directional Forecasting in Noisy Financial Markets
Pohang University of Science（平壤科学技术大学）；Ulsan National Institute of Science（釜山国立科学研究院）
本文提出一个两阶段框架，先用SIMPC无监督提取对幅度缩放和时间扭曲不变的重复模式，再用基于shapelet的JISC-Net分类器进行短期方向预测，在比特币和标普500股票上多数指标优于基线，并实现可解释决策。
2025-09-18 cs.AI cs.LG
Curriculum Learning in Deep Neural Networks for Financial Forecasting
Stanford University（斯坦福大学）；Microsoft Corp.（微软公司）
对于任何金融组织来说，计算各种产品的准确季度预测是最关键的操作之一。随着预测所需粒度的增加，传统的统计时间序列模型可能无法很好地扩展。我们通过试验自然语言处理（编码器-解码器LSTM）和计算机视觉（扩展CNN）的技术，以及结合迁移学习，将深度神经网络应用于预测领域。本文的一个新的贡献是应用课程学习的神经网络模型建立的时间序列预测。我们使用微软的收入数据来说明我们的模型的性能，这些数据对应于企业，中小型和企业产品，跨越全球约60个地区的8个不同的业务部门，总额约为数百亿美元。我们将我们的模型的性能与Microsoft Finance目前使用的传统统计和机器学习技术的集成模型进行了比较。以这个生产模型为基准，我们的实验在测试数据的总体准确性上提高了大约30%。我们发现，我们的课程学习基于LSTM的模型表现最好，这表明它是合理的，实现我们提出的方法，而不会过度拟合中等规模的数据。
2019-07-24 cs.LG q-fin.GN stat.ML
Integrating LSTM Networks with Neural Levy Processes for Financial Forecasting
Department of Computer Science, University of Verona（计算机科学系，威尼斯大学）
本文提出了一种结合LSTM网络与神经莱维过程的混合模型，利用灰狼优化器优化LSTM参数，并通过人工神经网络校准模型参数，以提高金融预测的准确性。
2025-11-26 cs.LG q-fin.ST
History Rhymes: Macro-Contextual Retrieval for Robust Financial Forecasting
Fraunhofer IAIS - Department of Media Engineering（弗劳恩霍夫研究所-媒体工程部门）；University of Bonn - Department of Computer Science（波恩大学-计算机科学系）；Lamarr Institute for Machine Learning（拉马尔机器学习研究所）
针对金融市场非平稳性导致预测模型分布外失效问题，提出宏观语境检索框架，通过联合嵌入宏观指标与财经新闻情绪实现历史类似宏观体制的因果检索，提升分布外预测稳健性并支持可解释性。
2025-11-16 cs.AI cs.LG
Risk-Aware Financial Forecasting Enhanced by Machine Learning and Intuitionistic Fuzzy Multi-Criteria Decision-Making
Sakarya University（萨卡里亚大学）；University of East Sarajevo（东萨拉热窝大学）；Korea University（高丽大学）；Necmettin Erbakan University（内吉梅丁·埃尔巴坎大学）；Singapore University of Social Sciences（新加坡社会科学大学）
本研究通过整合机器学习与直觉模糊多准则决策方法，提升金融预测的准确性和风险控制能力。
2025-12-11 cs.LG math.OC q-fin.ST
Improved Financial Forecasting via Quantum Machine Learning
QC Ware Corp（QC Ware公司）；IRIF（法国信息学研究所（IRIF））；Université Paris Cité（巴黎城市大学）；CNRS（法国国家科学研究中心）；Itaú Unibanco（伊塔乌联合银行）
本文利用经典与量子行列式点过程增强随机森林，并设计参数更少的正交/复合层量子神经网络，分别提升客户流失预测和信用风险评估性能。
2024-04-03 cs.LG q-fin.ST quant-ph
DualCast: A Dual-Path Language Model for Bimodal Financial Time-Series Forecasting
Tsinghua University（清华大学）；Northwestern Polytechnical University（西北工业大学）；Inspur Yunzhou Industrial Internet Co. Ltd（浪潮云舟工业互联网有限公司）
DualCast提出双路径语言模型，结合快速数值预测与基于新闻的慢速修订，在金融时间序列零样本预测中多数设置取得最低平均绝对百分比误差。
2026-10-01 cs.AI cs.LG
CryptoL: Towards Scale Dominance and Physics Constraints Mitigation in Financial Multivariate Time Series Forecasting
Azad University（阿扎德大学）；University of Isfahan（伊斯法罕大学）；Iran University of Science and Technology（伊朗科技大学）
CryptoL提出统一框架，通过上下文归一化、通道依赖变换、尺度自适应稳定化和软可行性损失，缓解金融多元时间序列预测中的尺度主导与OHLC约束违反问题。
2026-09-11 cs.AI cs.CE cs.LG
Real-time Forecasting of Time Series in Financial Markets Using Sequentially Trained Many-to-one LSTMs
Department of Mathematics；Statistics, Texas A\&M University - Corpus Christ, 6300 Ocean Dr., Corpus Christi, TX 78412, USA
金融市场是高度复杂和波动的;因此，为了做出预测而了解这些市场对于对崩溃和随后的复苏做出早期警报至关重要。人们一直在使用来自不同领域的学习工具，如金融数学和机器学习，试图对这些市场做出可靠的预测。然而，在人工神经网络（ANN）框架被开发出来之前，这种技术的准确性还不够。此外，对金融时间序列进行准确的实时的【形】预测对使用的ANN架构和训练过程具有高度的主观性。长短期记忆（LSTM）是递归神经网络家族的一员，已被广泛用于时间序列预测。特别地，我们训练两个具有已知长度的LSTM，例如先前数据的$T$时间步长，并且仅提前一个时间步长进行预测。在每次迭代中，当一个LSTM被用来找到最佳的epoch数量时，第二个LSTM只被训练用于最佳的epoch数量来进行预测。我们将当前预测视为下一个预测的训练集，并训练相同的LSTM。虽然经典的训练方法在测试期间进行预测时会导致更多的错误，但我们的方法能够在测试期间随着训练的增加而保持更高的准确性。我们的方法的预测准确性使用来自三个不同金融市场的三个时间序列进行了验证：股票，加密货币和商品。与扩展的卡尔曼滤波器，自回归模型，自回归积分移动平均模型的结果进行了比较。
2022-05-10 cs.LG stat.ML
Temporal Logistic Neural Bag-of-Features for Financial Time series Forecasting leveraging Limit Order Book Data
Tampere University（坦佩雷大学）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Aarhus University（奥胡斯大学）
时间序列预测是许多重要应用的重要组成部分，从股票市场预测到能源负荷预测。在这些应用程序中收集的数据的高维性，速度和多样性构成了重大和独特的挑战，必须仔细解决每个问题。在这项工作中，提出了一种新的时间逻辑神经特征袋方法，可以用来解决这些挑战。所提出的方法可以有效地与深度神经网络相结合，从而为时间序列分析提供强大的深度学习模型。然而，将现有的BoF公式与深度特征提取器相结合带来了重大挑战：输入特征的分布不是固定的，调整模型的超参数可能特别困难，并且BoF模型中涉及的归一化可能会在训练过程中导致显着的不稳定性。所提出的方法是能够克服这些限制，采用一种新的自适应缩放机制，并取代经典的基于高斯的密度估计中涉及的定期BoF模型与逻辑内核。在一个包含400多万个限价订单的大规模金融时间序列数据集上进行了大量实验，证明了该方法的有效性。
2019-01-24 cs.LG q-fin.CP stat.ML
Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting
Kingston University London（伦敦金斯顿大学）；Brunel University of London（伦敦布鲁内尔大学）
本研究以GBP/USD即期汇率为案例，对1368种QNN配置开展大规模基准测试，发现门选择等对性能影响更大，最优配置R²达0.985且优于BiLSTM，还评估了IQM Emerald硬件噪声影响并给出架构指导。
2026-10-09 cs.LG quant-ph
Financial Time Series Forecasting using CNN and Transformer
J. P. Morgan AI Research（摩根大通人工智能研究院）
本文提出结合CNN与Transformer建模金融时间序列的短期和长期依赖，预测S&P 500成分股日内价格涨跌或持平，实验证明优于常用统计与深度学习方法。
2023-04-11 cs.AI cs.LG econ.EM
Neural network stochastic differential equation models with applications to financial data forecasting
Huazhong University of Science and Technology（华中科技大学）；Illinois Institute of Technology（伊利诺伊理工学院）；China Securities Co., Ltd（中信建投证券股份有限公司）
本文利用神经网络逼近具有漂移和扩散系数的随机微分方程组，对具有大跳跃特性的混沌时间序列进行趋势预测。我们的贡献是，首先，我们提出了一个称为Lévy诱导的随机微分方程网络模型，该模型探讨了具有$α$ -稳定Lévy运动的复合随机微分方程来建模复杂的时间序列数据，并通过神经网络逼近来解决问题。其次，从理论上证明了该算法的数值解依概率收敛于相应的随机微分方程的解，且没有维数灾难。最后，我们通过将其应用于真实的金融时间序列数据来说明我们的方法，并发现通过使用非高斯Lévy过程来提高精度。我们还提出了详细的数据模式，各种模型，不同形状的Lévy运动和预测长度方面的比较。
2022-11-03 cs.LG q-fin.MF stat.ML
A Controlled Comparison of Deep Learning Architectures for Multi-Horizon Financial Forecasting: Evidence from 918 Experiments
Dr. A.P.J. Abdul Kalam Technical University (AKTU)（阿卜杜勒·卡里姆·萨迪克技术大学（AKTU））
本文通过918次实验对比九种深度学习架构在加密货币、外汇和股票指数市场中的多时间跨度预测性能，发现架构设计对预测效果影响显著，而随机种子影响较小。
2026-11-02 cs.LG q-fin.GN q-fin.ST
