Blending Ensemble for Classification with Genetic-algorithm generated Alpha factors and Sentiments (GAS)
本文提出GAS混合集成模型,结合遗传算法生成的34个Alpha因子与8个情绪因子,利用堆叠模型(LightGBM、XGBoost、随机森林)预测比特币趋势,实验显示在高波动资产预测中表现优异。
2024-11-05 cs.LG q-fin.CP q-fin.TR
Cryptocurrency Price Prediction using Twitter Sentiment Analysis
PES University(PES大学)
加密货币生态系统一直是许多社交媒体平台上讨论的中心,因为它具有明显的波动性和不同的观点。Twitter正迅速被用作新闻来源和比特币讨论的媒介。我们的算法试图使用历史价格和推文的情绪来预测比特币的价格。在这项研究中,我们开发了一个端到端模型,可以预测一组推文的情绪(使用基于Transformers的神经网络模型的双向编码器表示),并使用预测的情绪和其他指标(如历史加密货币价格数据,推文量,用户的追随者以及用户是否经过验证)预测比特币的价格(使用门控递归单位)。情绪预测给出了9.45%的平均绝对百分比误差,实时数据和测试数据的平均值。价格预测的平均绝对误差为3.6%。
2023-03-03 cs.AI cs.CL cs.LG
Feature-Rich Long-term Bitcoin Trading Assistant
K. J. Somaiya College of Engineering(K·J·索马伊亚工程学院)
长期以来,预测、研究和分析金融指数一直是金融界的主要兴趣。最近,深度学习社区对利用强化学习的兴趣越来越大,强化学习在许多领域已经超过了以前的许多基准。我们的方法为强化学习代理提供了一个功能丰富的环境。目的是为用户提供长期利润,因此,我们考虑了最可靠的技术指标。我们还开发了一个自定义指标,可以为用户提供更好的比特币市场洞察力。比特币市场遵循交易者的情绪和情绪,因此我们交易环境的另一个要素是Twitter上市场的整体每日情绪得分。该药剂的测试期为685天,其中也包括Covid-19的波动期。它能够提供可靠的建议,平均利润约为69%。最后,代理还能够通过网站向用户建议最佳操作。网站上的用户还可以访问指标的可视化,以帮助加强他们的决策。
2022-09-14 cs.LG q-fin.ST
A Blockchain Transaction Graph based Machine Learning Method for Bitcoin Price Prediction
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
比特币作为最受欢迎的加密货币之一,最近吸引了投资者的广泛关注。因此,比特币价格预测任务是一个新兴的学术话题,可以提供有价值的见解和建议。现有的比特币预测工作大多基于琐碎的特征工程,即从多个领域手动设计特征或因素,包括Bticoin区块链信息,金融和社交媒体情绪。特征工程不仅需要大量的人力,而且直观设计的特征的有效性也不能得到保证。本文旨在挖掘比特币交易中编码的丰富模式,并提出k阶交易图来揭示不同范围下的模式。我们提出了基于事务图的特征来自动编码模式。提出了一种新的预测方法来接受这些特征并进行价格预测,该方法可以利用不同历史时期的特定模式。对比实验结果表明,该方法优于最新的最先进的方法。
2020-08-21 cs.CE cs.LG cs.SI
Echo State Networks for Bitcoin Time Series Prediction
DFKI, Saarland Informatics Campus, Germany(德国达姆施塔特研究所,萨尔兰信息技术校园);Politecnico di Milano, Italy(意大利米兰理工学院);University of Stirling, UK(英国斯特林大学);National Institute of Informatics, Japan(日本信息学研究院)
本研究首次将回声状态网络应用于比特币价格预测,在极端波动下通过李雅普诺夫指数分析验证其鲁棒性,并显著优于现有机器学习方法。
2025-08-07 cs.CE cs.LG cs.NE
Social Media Sentiment Analysis for Cryptocurrency Market Prediction
Autonio Foundation Ltd.(Autonio基金会有限公司);SingularityNET Foundation(SingularityNET基金会);Novosibirsk State University(新西伯利亚国立大学)
在本文中,我们探索了不同的自然语言处理模型的可用性,用于社交媒体的情感分析应用于金融市场预测,使用加密货币领域作为参考。我们研究了不同的情绪指标如何与比特币的价格走势相关。为此,我们探索了不同的方法来计算文本中的情感度量,发现其中大多数对于这个预测任务来说都不是很准确。我们发现,其中一个模型的性能优于其他20多个公共模型,并且由于其可解释性,可以有效地对其进行微调。因此,我们确认,可解释的人工智能和自然语言处理方法可能比不可解释和不可解释的方法更有实际价值。最后,我们分析了不同情绪指标与价格走势之间的潜在因果关系。
2022-04-19 cs.CL cs.LG cs.SI
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
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
Semi-strong Efficient Market of Bitcoin and Twitter: an Analysis of Semantic Vector Spaces of Extracted Keywords and Light Gradient Boosting Machine Models
Rensselaer Polytechnic Institute(伦斯勒理工学院);Khalifa University(哈利法大学)
本研究通过分析2870万条Twitter推文,利用关键词语义向量空间和LGBM模型检验比特币市场的半强有效性,发现1小时至每日的市场走势中78%-94%可由公开信息解释。
2024-09-24 cs.LG econ.GN q-fin.EC
Integrating Large Language Models and Reinforcement Learning for Sentiment-Driven Quantitative Trading
Wo Long(未知);Wenxin Zeng(未知);Xiaoyu Zhang(未知);Ziyao Zhou(未知)
本研究开发了一个情感驱动的量化交易系统,利用 FinGPT 进行情感分析,并采用 TD3 强化学习算法集成情感与技术信号,实验表明该方法能有效融合异构信号并提升交易策略表现。
2025-10-12 cs.LG q-fin.CP
FinBERT-BiLSTM: A Deep Learning Model for Predicting Volatile Cryptocurrency Market Prices Using Market Sentiment Dynamics
FinBERT-BiLSTM模型结合双向LSTM与FinBERT,利用市场情绪动态提升加密货币价格预测精度,为投资者提供更可靠的决策支持。
2024-11-02 cs.LG q-fin.TR
KryptoOracle: A Real-Time Cryptocurrency Price Prediction Platform Using Twitter Sentiments
University of Waterloo(滑铁卢大学)
比特币等加密货币正变得越来越受欢迎,已被广泛用作金融交易和资产转移验证等领域的交换媒介。然而,一直缺乏解决方案,可以支持实时的价格预测以应对高汇率波动,处理大量异构数据量,包括社交媒体情绪,同时支持实时的容错和持久性,并提供实时的适应学习算法以应对新的价格和情绪数据。在本文中,我们介绍了KryptoOracle,一种基于Twitter情绪的新型实时的自适应加密货币价格预测平台。集成和模块化平台基于(i)基于Spark的架构,其以持久和容错的方式处理大量的传入数据;(ii)支持情感分析的方法,其可以实时的响应大量的自然语言处理查询;以及(iii)基于在线学习的预测方法,其中模型调整其权重以应对新的价格和情绪。除了提供架构设计,本文还描述了KryptoOracle平台的实现和实验评估。总的来说,拟议的平台可以帮助加快决策,发现新的机会,并根据可用的和越来越大的财务数据量和种类提供更及时的见解。
2020-02-21 cs.CL cs.LG q-fin.ST
PreBit -- A multimodal model with Twitter FinBERT embeddings for extreme price movement prediction of Bitcoin
Singapore University of Technology and Design(新加坡科技设计大学)
本文提出PreBit多模态模型,融合Twitter FinBERT嵌入、K线数据、技术指标与相关资产价格,用于预测比特币极端价格波动,并通过回测验证其可构建低风险盈利交易策略。
2023-10-21 cs.CL cs.LG q-fin.CP
Market-Derived Financial Sentiment Analysis: Context-Aware Language Models for Crypto Forecasting
School of Computer Engineering, Iran University of Science and Technology(伊朗科技大学计算机工程学院)
提出基于历史价格趋势的市场衍生标注方法微调上下文感知语言模型,在比特币新闻预测中达89.6%准确率并获高夏普比率,证明语言模型是有效的短期市场预测器。
2025-03-02 cs.CE cs.CL cs.LG
Machine Learning-Based Bitcoin Trading Under Transaction Costs: Evidence From Walk-Forward Forecasting
Quantitative Finance Research Group, Faculty of Economic Sciences, University of Warsaw(经济科学学院量化金融研究组,华沙大学);Quantitative Finance Research Group, Department of Quantitative Finance and Machine Learning, Faculty of Economic Sciences, University of Warsaw(经济科学学院量化金融与机器学习系量化金融研究组,华沙大学)
研究在交易成本下,利用XGBoost、LSTM和iTransformer等机器学习模型预测BTC-USDT小时收益率,并通过成本感知执行过滤器将预测转化为盈利交易策略。
2026-05-19 cs.CE cs.LG q-fin.TR
On Technical Trading and Social Media Indicators in Cryptocurrencies' Price Classification Through Deep Learning
University of Cagliari(卡利亚里大学);Brunel University(布鲁内尔大学);University College London(伦敦大学学院)
这项工作旨在使用深度学习算法分析2017年1月至2021年1月期间观察到的每小时和每日数据的加密货币价格走势的可预测性。在我们的实验中,我们使用了三组特征:技术指标、交易指标和社交媒体指标,考虑了仅包含技术指标的限制模型和包含技术指标、交易指标和社交媒体指标的无限制模型。我们验证了对交易和社交媒体指标以及经典技术变量(如价格回报)的考虑是否会导致加密货币价格变化预测的显着改善。我们对两种数量和价值最高的加密货币(在研究时)进行了研究:比特币和以太坊。我们实现了四种不同的机器学习算法,通常用于时间序列分类问题:多层感知器(MLP),卷积神经网络(CNN),长短期记忆(LSTM)神经网络和注意力长短期记忆(ALSTM)。我们设计的实验使用先进的引导技术来考虑测试样本的方差问题,这使我们能够评估模型性能的更可靠的估计。此外,网格搜索技术被用来找到最好的超参数值为每个实现的算法。研究表明,基于小时频率的结果,无限制的模型优于有限制的。在经典技术指标中添加交易指标提高了比特币和以太坊价格变化预测的准确性,准确性从限制模型的51-55%提高到无限制模型的67-84%。
2021-02-17 cs.LG q-fin.ST stat.AP
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
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
From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015-2026
Eastern University(东部大学)
本综述通过证据图谱揭示学生教学评价NLP研究存在行动性断层:从可演示输出(61.3%)到预期用户评估(11.6%)大幅下降,情感分析为主流任务,公平性指标罕见,强调技术多样性未带来教育价值提升。
2026-09-24 cs.CL cs.LG
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
YouTube Ad View Sentiment Analysis using Deep Learning and Machine Learning
Pimpri Chinchwad College of Engineering(平普里钦奇瓦德工程学院)
情感分析是当前一个重要的研究领域。随着互联网使用的进步,社交媒体、网站、博客、意见、评级等的创建迅速增加。人们以喜欢、不喜欢、评论等形式在社交媒体帖子上表达他们的反馈和情感。YouTube上观众生成或用户生成的数据或内容的数量迅速增长,导致YouTube情感分析的增加。因此,分析公众反应已经成为技术领域中信息抽取和数据可视化的基本需求。这项研究使用深度学习和机器学习算法(如线性回归(LR)、支持向量机(SVM)、决策树(DT)、随机森林(RF)和人工神经网络(ANN))来预测YouTube广告浏览情绪。最后,对不同模型的实验结果进行了对比分析。
2022-05-23 cs.IR cs.LG
A Multisource Fusion Framework for Cryptocurrency Price Movement Prediction
School of Electrical and Computer Engineering, College of Engineering, University of Tehran(塔里斯坦大学电气与计算机工程学院);Department of Chemistry, Isfahan University of Technology(伊斯法罕技术大学化学系);Department of Electrical and Computer Engineering, University of Waterloo(滑铁卢大学电气与计算机工程系);Department of Computer Science and Engineering, Sejong University(世宗大学计算机科学与工程系)
针对加密货币价格预测的波动性挑战,提出整合定量金融指标与X平台定性情绪信号的多源融合框架,通过FinBERT和BiLSTM实现分析与依赖捕捉,在比特币数据集上准确率达96.8%,优于单源模型。
2025-08-25 cs.AI cs.LG
CLaC@FinMMEval 2026 Task 3: Sentiment-Augmented Deep Reinforcement Learning for Active Trading -- An Alpha-Reward Approach
Concordia University(康考迪亚大学)
针对CLEF 2026 FinMMEval任务3,将比特币和特斯拉交易决策问题建模为离散动作马尔可夫决策过程,比较四种深度强化学习算法,引入阿尔法奖励并优化超参数,DDPG在测试集表现最佳,揭示了验证到测试的泛化差距。
2026-07-20 cs.LG
Explaining Outcomes of Multi-Party Dialogues using Causal Learning
Tata Consultancy Services Limited(塔塔咨询服务有限公司);Indian Institute of Technology Kharagpur(印度理工学院卡哈拉格普尔分校);Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
多方对话在企业社交媒体中很常见,涉及技术和非技术主题。谈话的结果可能是积极的,也可能是消极的。从冲突分析和未来协作设计的角度来分析为什么对话以特定的情绪结束是很重要的。我们提出了一个可解释的时间序列挖掘算法,这样的分析。对话被表示为关键字、EMPATH类别和在其进展中的各个点处推断的情感的发生的归因时间序列。一个特殊的决策树,决策度量,考虑到对话事件之间的时间关系,用于预测的结果情绪的原因。从分类器中挖掘的可解释规则用于解释预测。实验结果在一家大公司的企业社交媒体帖子。
2021-05-03 cs.AI cs.CL cs.LG
Cryptocurrency Price Forecasting Using XGBoost Regressor and Technical Indicators
ESISA Analytica, Higher School of Engineering in Applied Sciences(ESISA分析与应用科学高等工程学院);GAIA, Ericsson(GAIA、爱立信);Fordham University(福特汉姆大学);Penn State University(宾夕法尼亚州立大学)
本研究利用XGBoost回归器结合EMA和MACD等技术指标预测加密货币价格,并通过比特币收盘价实验验证了模型的有效性,旨在辅助交易者在波动市场中的决策。
2024-07-16 cs.LG
Deep Learning and NLP in Cryptocurrency Forecasting: Integrating Financial, Blockchain, and Social Media Data
Humboldt-Universität zu Berlin(柏林洪堡大学);Bucharest University of Economic Studies(布加勒斯特经济研究大学)
本文整合金融、区块链及Twitter、Reddit文本数据,采用BART MNLI等深度学习NLP模型预测比特币和以太坊,并以局部极值与日价格变动为目标,提升了预测精度、收益和夏普比率。
2024-10-25 cs.LG q-fin.ST stat.ML
Predicting Market Trends with Enhanced Technical Indicator Integration and Classification Models
University of Alberta(阿尔伯塔大学);Fordham University(福特汉姆大学);University of Sharjah(沙迦大学);University of North Texas(北德克萨斯大学)
本研究提出一种基于分类的机器学习模型,利用技术指标预测加密货币市场趋势,准确率达92%以上。
2025-11-28 cs.LG
Stock price prediction using BERT and GAN
The LNM Institute of Information Technology(LNM信息技术研究所)
股票市场一直是一个热门话题的兴趣在最近的过去。通货膨胀率的上升迫使人们投资于股票和商品市场以及其他领域,而不是储蓄。此外,深度学习模型对时间序列数据进行预测的能力已经被一次又一次地证明。借助技术指标对股票市场进行技术分析已成为交易者和投资者最常见的做法。另一个方面是情绪分析-投资者的情绪,表明投资意愿。世界各地的人们已经使用了各种技术,包括基本的机器学习和神经网络。从基本的线性回归到先进的神经网络,人们已经尝试了所有可能的技术来预测股票市场。从最近的事件中可以明显看出新闻和头条新闻如何影响股票市场和加密货币。本文提出了一个集成的国家的最先进的方法来预测股票价格。首先,使用BERT的版本执行对在纳斯达克上市的苹果公司的新闻和标题的情感分析,该版本是由Google用于自然语言处理(NLP)的预训练的Transformer模型。然后,生成对抗网络(GAN)使用技术指标、各国股票指数、一些商品和历史价格以及情绪得分来预测苹果公司的股票价格。与基线模型进行比较,如长短期记忆(LSTM),门控递归单位(GRU),香草GAN和自回归综合移动平均(ARIMA)模型。
2021-07-18 cs.CL 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
Student sentiment Analysis Using Classification With Feature Extraction Techniques
本文研究基于网络学习中的学生反馈情感分析,使用LR、SVM、NB和DT四种机器学习模型,并结合CVr/BoW与TF-IDF两种特征提取技术,在清洗后的SFB数据集上提升分类准确率。
2021-03-19 cs.AI cs.CL cs.LG
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
Enhancing Price Prediction in Cryptocurrency Using Transformer Neural Network and Technical Indicators
K.N. Toosi University of Technology(K.N. 图西理工大学)
本研究提出融合技术指标、带FAVOR+的Performer网络与BiLSTM的加密货币价格预测方法,在多主流币种的小时/日级数据上表现优于现有模型,提升了预测性能与计算效率。
2024-03-06 cs.AI cs.LG q-fin.CP
Using Twitter Attribute Information to Predict Stock Prices
KTH Royal Institute of Technology(瑞典皇家理工学院)
能够预测股票价格可能是股票投资者不言而喻的愿望。虽然股票价格很难预测,但关于影响其走势的因素有很多理论,包括利率、新闻和社交媒体。在机器学习的帮助下,数据中的复杂模式可以超越人类的智力来识别。在这篇论文中,我们建立了一个时间序列预测的机器学习模型,并对股票价格进行了预测。该模型基于具有多层LSTM和全连接层的神经网络。它使用历史股票价值,技术指标和从社交媒体平台Twitter上的帖子中检索,提取和计算的Twitter属性信息进行训练。这些属性是情绪得分,收藏夹,追随者,转发以及帐户是否经过验证。为了从Twitter收集数据,使用了Twitter的API。使用VADER进行情感分析。结果表明,通过添加更多的Twitter属性,预测价格和实际价格之间的MSE提高了3%。考虑到技术分析,MSE从0.1617下降到0.1437,提高了约11%。这项研究的限制包括所选股票必须在股票市场公开上市,并在Twitter和个人投资者中流行。此外,股市的开放时间与Twitter不同,Twitter一直可用。因此,它可能会在模型中引入噪声。
2021-05-04 cs.LG
CryptoPulse: Short-Term Cryptocurrency Forecasting with Dual-Prediction and Cross-Correlated Market Indicators
College of Engineering and Computer Science(工程与计算机科学学院);Texas A&M University-Corpus Christi(德克萨斯A&M大学-科斯蒂斯)
本文提出CryptoPulse双重预测机制,融合宏观波动、技术指标与市场情绪细化预测,实现短期加密货币价格预测并优于十种对比方法。
2025-03-31 cs.LG q-fin.PR
Mamba Outpaces Reformer in Stock Prediction with Sentiments from Top Ten LLMs
University of North Texas USA(美国北德克萨斯大学)
本研究提出结合十大LLM情感分数与分钟级股价的预测框架,构建时间对齐数据集训练Reformer和Mamba模型,发现Mamba速度更快且预测精度更优,验证了LLM语义分析与高效时序建模结合提升实时金融预测的潜力。
2025-09-14 cs.AI cs.LG q-fin.ST
Stock Market Prediction Using Node Transformer Architecture Integrated with BERT Sentiment Analysis
University of Technology, Baghdad, Iraq(巴格达大学)
提出一种将节点Transformer与BERT情感分析相结合的框架,通过图结构建模股票间依赖关系并融合社交媒体情感,在S&P 500股票上实现0.80%的MAPE,显著优于传统方法。
2026-05-14 cs.AI cs.LG q-fin.ST
Bi-LSTM Price Prediction based on Attention Mechanism
College of Mathematics;Statistics Shenzhen University Shenzhen China;College of Economics Shenzhen University Shenzhen China
本文提出基于注意力机制的双向LSTM模型,用于黄金和比特币价格预测,通过技术因子和时序因子提升性能,AUC达71.94%和73.03%,两年回报1089.34%,优于传统模型。
2023-06-18 cs.LG q-fin.CP q-fin.PM
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
Predicting Stock Prices with FinBERT-LSTM: Integrating News Sentiment Analysis
Carey Business School, Johns Hopkins University(约翰斯·霍普金斯大学凯瑞商学院);Courant Institute of Mathematical Sciences, New York University(纽约大学柯朗数学科学研究所);Digital Financial Information Technology Co.LTD(数字金融信息技术有限公司);Cox School of Business, Southern Methodist University(南卫理公会大学考克斯商学院);Department of Electrical Engineering and Computer Sciences, University of California, Berkeley(加州大学伯克利分校电气工程与计算机科学系);Department of Electrical and Computer Engineering, Northeastern University(东北大学电气与计算机工程系)
本文提出FinBERT-LSTM模型,通过结合FinBERT新闻情感分析与LSTM架构,利用市场、行业和股票类新闻及历史股价预测股票价格,实验证明其性能优于LSTM和DNN。
2024-07-23 cs.AI cs.LG
Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning
Sharif University of Technology(谢里夫理工大学)
在金融市场交易中,价格走势预测一直是交易者关注的问题之一。为了增加利润,他们可以分析历史数据并预测价格走势。庞大的数据量和它们之间的复杂关系导致我们使用算法交易和人工智能。本文旨在提供一种使用双延迟DDPG(TD3)和每日收盘价的方法,以实现股票和加密货币市场的交易策略。与之前使用离散动作空间强化学习算法的研究不同,TD3是连续的,提供了头寸和交易股票的数量。在这项研究中,股票(亚马逊)和加密货币(比特币)市场都被用来评估所提出的算法的性能。使用TD 3实现的策略与使用技术分析,强化学习,随机和确定性策略的一些算法进行了比较,通过两个标准指标,回报率和夏普比率。结果表明,采用位置和交易股票的数量可以提高基于上述指标的交易系统的性能。
2022-10-07 cs.LG q-fin.TR
Convolutional Feature Extraction and Neural Arithmetic Logic Units for Stock Prediction
BITS Pilani Goa Campus(贝拉理工学院皮拉尼果阿校区)
股票预测是一个多年来一直在深入研究的课题。金融专家和数学家一直在研究一种方法来预测未来的股票价格,以便决定购买或出售股票以获利。股票专家或经济学家,通常会对以前的股票价值进行分析,利用技术指标、情感分析等来预测未来的股票价格。近年来,许多研究已经广泛地使用机器学习来预测股票行为。在本文中,我们提出了数据驱动的深度学习方法,利用卷积神经网络的特征提取特性,并使用神经算术逻辑单元来预测未来的股票价值。
2019-05-18 cs.LG q-fin.ST stat.ML