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
Power Market Price Forecasting via Deep Learning
GEIRI North America(北美全球能源互联网研究院);University of Minnesota Twin Cities(明尼苏达大学双城分校)
提出了一种基于深度学习的电力市场电价预测方法。LSTM(长短期记忆)神经网络是最成功的深度学习框架之一。在这项研究中使用的每小时价格数据从新英格兰和PJM日前市场。首先,制定并训练LSTM网络。然后对原始输入和输出数据进行单位尺度的预处理,并在不同输入长度、预测期和数据规模下对训练好的网络在真实价格数据上进行测试。它的性能也与其他现有的方法进行了比较。预测结果表明,LSTM深度神经网络在不同的应用环境下都能较好地解决这一问题。
2018-10-23 cs.LG stat.ML
Multimodal Deep Learning for Finance: Integrating and Forecasting International Stock Markets
Sejong University(世宗大学)
在当今日益国际化的经济中,国际股票市场的回报和波动溢出效应是股票动态的主要宏观经济驱动力。因此,有关外国市场的信息是预测国内股票价格的最重要因素之一。然而,国内和国外市场之间的相互关系非常复杂。因此,很难用动力学方程明确地表达这种互相关。在这项研究中,我们使用多模态深度学习开发了可以共同考虑国际市场的股票收益预测模型。我们的贡献有三个方面:(1)我们通过散点图可视化韩国和美国股票市场之间的传递信息;(2)我们在多模态深度学习的帮助下将信息纳入股票预测模型;(3)我们最终证明,与后期融合和单一模态模型相比,早期和中期融合模型实现了显着的性能提升。我们的研究表明,联合考虑国际股票市场可以提高预测精度,深度神经网络对此类任务非常有效。
2019-09-19 cs.LG q-fin.CP
Neural Forecasting of the Italian Sovereign Bond Market with Economic News
European Commission, Joint Research Centre(欧盟委员会联合研究中心);Università Ca’ Foscari Venezia(威尼斯大学)
在本文中,我们采用神经网络框架内的经济新闻预测意大利10年期利率利差。我们使用一个大型的开源数据库,称为全球事件、语言和语气数据库,以提取与债券市场动态相关的主题和情感新闻内容。我们将这些信息部署在具有自回归递归网络(DeepAR)的概率预测框架内。我们的研究结果表明,基于长短期记忆细胞的深度学习网络优于经典的机器学习技术,并提供了一个预测性能,超过了单独使用传统的利率决定因素所获得的预测性能。
2022-03-11 cs.AI cs.LG stat.AP
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
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
Leveraging Asynchronous Cross-border Market Data for Improved Day-Ahead Electricity Price Forecasting in European Markets
Technical University of Denmark, Denmark(丹麦技术大学);KTH Royal Institute of Technology, Sweden(瑞典皇家理工学院)
本文通过利用异步跨境市场价格数据,提升了欧洲市场日间电力价格预测的准确性,为优化投标策略提供了新方法。
2025-07-17 cs.LG cs.SY eess.SY
Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling
Tampere University(坦佩雷大学)
本研究提出模型无关框架,利用深度限价订单簿预测器比较反事实消息注入前后的预测分布,定义短时域市场冲击,实验显示高相关性,证明可无需重训用于场景条件响应建模。
2026-09-16 cs.AI cs.LG
Electricity Price Forecasting in the Irish Balancing Market
University College Cork(科克大学学院);Insight Centre for Data Analytics(Insight数据 analytics中心)
本研究将日前市场的电价预测技术应用于爱尔兰平衡市场,通过比较统计、机器学习和深度学习模型发现,基于LASSO的LEAR模型表现最佳,表明平衡市场与日前市场存在本质差异。
2024-02-09 cs.LG q-fin.PR
Day-Ahead Electricity Price Forecasting for Volatile Markets Using Foundation Models with Regularization Strategy
本文提出一种正则化策略,利用基础模型在波动市场中提升电力价格预测的准确性。
2026-02-05 cs.AI cs.LG
Utilizing Device-level Demand Forecasting for Flexibility Markets - Full Version
Aalborg University(奥尔堡大学);Enversion A/S(Enversion股份有限公司)
由于可再生能源(RES)的波动,电力供应的不确定性对能源市场参与者产生了严重的(财务和其他)影响。在本文中,我们提出了一个设备级的需求响应(DR)计划,捕捉原子(所有可用的)能源需求的灵活性,并提供最大可能的解决方案空间,以产生需求/供应时间表,最大限度地减少市场的不平衡。我们评估了广泛使用的预测模型的有效性和可行性的设备级的灵活性分析。在典型的设备级灵活性预测中,市场参与者更关心需求灵活性给市场带来的\textit{utility},而不是内在的预测准确性。在这方面,我们提供了全面的预测建模和调度的需求灵活性,从家用电器,以证明(财务和其他)的可行性,引入灵活性为基础的DR在丹麦/北欧市场。此外,我们调查的潜在效用和需求预测模型的准确性之间的相关性。此外,我们进行了大量的实验,以确定数据粒度,提供最好的经济回报,市场参与者采用建议的DR计划。预测结果的成本效益分析表明,即使预测精度较低,市场参与者也可以实现理论最优水平的54%的监管成本节约。
2018-05-02 cs.CE cs.LG
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
Data-driven Day Ahead Market Prices Forecasting: A Focus on Short Training Set Windows
School of Electrical and Computer Engineering, National Technical University of Athens (NTUA), Athens 15780 Greece(电气与计算机工程学院,国家技术大学(NTUA),雅典15780希腊)
本研究针对短训练窗口下的电力日前市场电价预测问题,对比四种机器学习模型在三个欧洲市场的表现,发现LightGBM在45/60天窗口下精度与鲁棒性最优,可有效支持数据稀缺波动环境的电价预测。
2025-06-12 cs.LG
From On-chain to Macro: Assessing the Importance of Data Source Diversity in Cryptocurrency Market Forecasting
University of Cyprus(塞浦路斯大学)
本研究通过整合技术指标、链上指标、传统市场指数等多源数据并提出新颖特征降维算法,证实了数据源多样性显著提升加密货币预测模型准确率,并揭示了不同数据在不同预测周期的重要性。
2025-06-26 cs.AI cs.ET cs.LG
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
Budget-constrained Collaborative Renewable Energy Forecasting Market
INESC TEC;University of Porto(波尔图大学);Joint Research Centre (European Commission)(欧盟联合研究中心);European Centre for Algorithmic Transparency(欧洲算法透明度中心)
针对可再生能源预测中的数据共享障碍,提出结合样条LASSO回归与投标机制的协作预测市场,实现公平补偿与价格约束,显著提升精度并带来收益。
2025-01-22 cs.LG
Forecasting Financial Market Structure from Network Features using Machine Learning
University of São Paulo(圣保罗大学);Federal Institute of South of Minas Gerais(南米纳斯吉拉斯联邦学院);University College London(伦敦大学学院);University of Porto(波尔图大学)
我们提出了一个模型,该模型使用机器学习从基于链接和节点的金融网络特征预测市场相关性结构。因此,市场结构被建模为一个动态的资产网络,通过量化全球主要市场指数的公司成分之间的资产价格回报的随时间变化的共同运动。我们使用三种不同的网络过滤方法来估计市场结构,即动态资产图(DAG),动态最小生成树(DMST)和动态阈值网络(DTN)提供实证证据。实验结果表明,该模型可以预测市场结构具有较高的预测性能与高达$40\%$改进的时不变的相关性为基础的基准。与传统的成对相关性度量相比,非成对相关性特征对所有研究的市场都很重要,特别是在股票市场结构的长期预测中。证据提供了股票成分的DAX30,EUROSTOXX50,FTSE100,恒生50,纳斯达克100和NIFTY50市场指数。研究结果可用于改进投资组合选择和风险管理方法,这些方法通常依赖于向后看的协方差矩阵来估计投资组合风险。
2021-10-22 cs.LG cs.SI q-fin.CP
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
Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI
School of Electrical and Computer Engineering, Cornell University(康奈尔大学电气与计算机工程学院)
本文提出WIAE-GPF,一种基于Weak Innovation AutoEncoder的可解释生成式概率预测架构,通过非参数时间序列新息表示生成多元时间序列未来样本,在实时电力市场信号预测中始终优于经典与前沿机器学习方法。
2024-09-24 cs.LG econ.GN eess.SP
Improving Sequential Market Coordination via Value-oriented Renewable Energy Forecasting
College of Engineering, Cornell University(康奈尔大学工程学院);Department of Electrical and Computer Engineering, University of California, San Diego(加州大学圣地亚哥分校电气与计算机工程系);Department of Electrical Engineering, Shanghai Jiao Tong University(上海交通大学电气工程系);Dyson School of Design Engineering, Imperial College London(伦敦帝国理工学院设计工程学院)
本研究提出面向价值的可再生能源预测方法,通过训练模型最小化日前与实时市场的总运行成本,显著降低确定性出清下的系统运行成本。
2025-08-06 cs.LG cs.SY eess.SY
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
Forecasting Stock Market with Support Vector Regression and Butterfly Optimization Algorithm
Sharif University of Technology(谢里夫理工大学);Khatam University(哈塔姆大学);RiskLab Toronto(多伦多风险实验室)
支持向量回归机(SVR)在预测随机系统的未来行为方面取得了很好的效果。然而,SVR模型的性能在很大程度上取决于SVR参数的适当选择。提出了一种基于蝴蝶优化算法的BOA-SVR模型。所提出的模型的性能进行了比较,与其他11个元启发式算法的一些股票从纳斯达克。结果表明,本文提出的模型能够很好地优化支持向量回归机的参数,从预测精度和时间消耗两方面来看,确实是最好的模型之一。
2019-05-27 cs.LG cs.NE stat.ML
Machine learning based forecasting of significant daily returns in foreign exchange markets
Canadian University Dubai(迪拜加拿大大学)
资产价值预测一直吸引着大量的研究人员在定量分析的兴趣。现代机器学习模型的出现引入了新的工具来解决这个经典问题。在本文中,我们将机器学习算法应用到迄今为止尚未探索的问题,预测货币汇率大幅波动的情况。我们使用10年期间四种主要货币对的数据对九种现代机器学习算法进行分析。一个关键的贡献是新的使用离群值检测方法,用于这一目的。数值实验表明,离群值检测方法大大优于传统的机器学习和金融技术。此外,我们表明,最近提出的新的离群值检测方法PKDE产生最好的整体效果。我们的研究结果适用于不同的货币对,显著性水平和时间范围,表明所提出的方法的鲁棒性。
2020-09-21 cs.LG stat.ML
Stealing profits: Spread-based temporal hierarchy forecasting for day-ahead electricity markets
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学);Indicio Technologies AB(因迪西奥科技公司)
本研究提出时序层次预测框架,通过协调小时电价与日内价差预测,在欧洲两市场提升精度达19.7%、利润达10.4%,并揭示统计精度提升未必带来经济决策改善。
2026-09-22 cs.LG econ.EM q-fin.ST
Zero Shot Time Series Forecasting Using Kolmogorov Arnold Networks
École de Technologie Supérieure(高等技术学院);Hitachi Energy Research(日立能源研究院)
针对能源价格预测模型难以迁移到新市场的问题,提出以 Kolmogorov Arnold Networks 为核心的双残差 N-BEATS 对抗跨域适应模型,实现零样本日前电价预测并取得优于基线的效果。
2025-02-14 cs.LG
Deep Time-Series Models Meet Volatility: Multi-Horizon Electricity Price Forecasting in the Australian National Electricity Market
School of Information Systems and the Energy Transition Centre, Queensland University of Technology(信息系统学院和能源转型中心,昆士兰理工大学)
本文提出了一种多时间跨度电力价格预测框架,评估了最先进的深度时间序列模型在澳大利亚电力市场中的表现,揭示了模型在高波动环境下的性能缺陷。
2026-02-13 cs.AI 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
Advancing Exchange Rate Forecasting: Leveraging Machine Learning and AI for Enhanced Accuracy in Global Financial Markets
American International University-Bangladesh(美国国际大学-孟加拉国);Brac University(布拉卡大学);Multimedia University Malaysia(马来西亚多媒体大学)
本文利用历史汇率数据开发先进机器学习模型,采用LSTM神经网络实现99.449%的预测准确率,结合梯度提升分类器进行方向预测,展示深度学习在外汇预测中的潜力。
2026-03-27 cs.CL cs.LG q-fin.ST
Forecasting Labor Markets with LSTNet: A Multi-Scale Deep Learning Approach
University of Houston(休斯顿大学)
本文提出基于LSTNet的多尺度深度学习方法,利用美国劳工统计局多变量数据预测短期就业变化并构建可解释的行业就业健康指数(IEHI),在多数行业优于基线模型。
2025-06-25 cs.AI cs.LG q-fin.ST
Forecasting market states
UCL(伦敦大学学院);London School of Economics and Political Sciences(伦敦政治经济学院)
我们提出了一种新的方法来定义,分析和预测市场状态。在我们的方法中,市场状态识别的参考稀疏精度矩阵和期望值的向量。在我们的过程中,每个多变量观测与一个给定的市场状态相关联,相应的惩罚Mahalanobis距离的最小化。该过程在计算上非常有效,并且可以与大量资产一起使用。我们证明了这个过程是成功的聚类不同状态的市场在一个无监督的方式。特别是,我们描述了一个实验,100个日志回报和两个国家的方法自动关联的状态preadministration危机前和危机后的时期,一个国家的平均正收益率和其他国家的平均负收益率的收集期间,因此自发地发现“牛市”和“熊市”的共同分类。在另一个实验中,再次与100个对数回报率和两个状态,我们证明了这个过程可以有效地用于预测样本外的未来市场状态具有显着的预测精度。这种方法为风险管理和交易策略的一系列应用开辟了道路,其中相关性结构起着核心作用。
2019-05-27 cs.LG q-fin.ST stat.ML
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
Deep Learning-Based Forecasting of Hotel KPIs: A Cross-City Analysis of Global Urban Markets
Manchester Metropolitan University(曼彻斯特城市大学)
本研究利用LSTM网络对五个全球城市的酒店OCC、ADR和RevPAR进行预测,发现曼彻斯特和孟买预测精度最高,验证了LSTM在城市酒店业预测中的有效性。
2025-07-02 cs.AI cs.LG
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
Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market
Department of Data Science and AI, Faculty of IT, Monash University, Australia(数据科学与人工智能系,IT学院,墨尔本大学,澳大利亚);School of Electrical Engineering and Computer Science, University of Queensland, Australia(电气工程与计算机科学学院,昆士兰大学,澳大利亚);Monash Energy Institute, Monash University, Australia(墨尔本能源研究所,墨尔本大学,澳大利亚)
本文提出了一种混合 KAN+XGBoost 框架,用于预测澳大利亚国家电力市场的周 ahead 电价,该框架结合了 Kolmogorov-Arnold 网络的全局非线性表示能力和 XGBoost 的局部鲁棒性,以捕捉长期依赖和短期价格波动,实验表明该模型在 MAE 上比 XGBoost 和 naive 基线模型分别减少了 12% 和 50% 以上。
2026-05-21 cs.CE cs.LG
Forecasting Day-Ahead Electricity Prices in the Integrated Single Electricity Market: Addressing Volatility with Comparative Machine Learning Methods
School of Electronics, Electrical Engineering and Computer Science, Queen’s University Belfast(贝尔法斯特女王大学电子、电气工程与计算机科学学院)
本研究针对爱尔兰综合单一电力市场的高波动日前电价,对比传统机器学习与神经网络模型及不同训练周期的预测效果,明确了欧盟气价等关键特征的重要性及可再生能源对电价的压低作用。
2024-08-10 cs.AI cs.LG cs.SY
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
Enhancing Cryptocurrency Market Forecasting: Advanced Machine Learning Techniques and Industrial Engineering Contributions
University of Central Florida(中佛罗里达大学)
本文系统回顾了2014至2024年加密货币价格预测中的机器学习方法,涵盖线性模型、树模型、transformers及大语言模型,并强调工业工程师在流程优化、效率提升和风险缓解方面对改进预测模型的关键贡献。
2024-10-18 cs.LG
Empirical evaluation of Time Series Foundation Models for Day-ahead and Imbalance Electricity Price Forecasting in Belgium
ELECTA-ESAT (KU Leuven)(ELECTA-ESAT(比利时列日大学));Gridual Leuven, Belgium(Gridual(比利时列日));Leuven, Belgium(列日,比利时);KU Leuven(比利时列日大学)
本文评估了时间序列基础模型在比利时日前提前和不平衡电力价格预测中的应用,发现Chronos-2在ARX模式下表现最佳,其在日前提前市场中的预测误差比其他方法低5%,但在不平衡市场中误差较高,但模型仍表现出真正的零样本预测能力。
2026-05-16 cs.LG cs.SY eess.SY
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
Explaining deep neural network models for electricity price forecasting with XAI
University College London(伦敦大学学院)
本文提出使用深度神经网络预测电价,并结合SHAP、Gradient和热图等可解释AI方法分析五个电力市场的价格驱动因素,同时引入SSHAP值和SSHAP线新概念以增强高维表格模型的表示。
2025-06-24 cs.AI cs.LG stat.ML
Forecasting Is Not Attribution: Localizing Decoder Bypass in Graph-Based Neural Marketing Mix Models
University of California, Irvine(加州大学尔湾分校);AdsGency AI
针对基于图的神经营销组合模型中预测精度高但归因失败的问题,提出DICE-MMM框架,通过限制解码器通信路径来诊断和定位归因旁路,实验表明低预测误差不能保证归因正确性。
2026-06-12 cs.LG
Multivariate Forecasting of Bitcoin Volatility with Gradient Boosting: Deterministic, Probabilistic, and Feature Importance Perspectives
Faculty of Electrical Engineering, Czestochowa University of Technology(电子工程学院,捷斯托霍瓦技术大学);Faculty of Computer Science and Artificial Intelligence, Czestochowa University of Technology(计算机科学与人工智能学院,捷斯托霍瓦技术大学)
本文利用LGBM模型从确定性和概率性角度预测比特币波动率,并通过特征重要性分析识别波动驱动因素。
2025-11-25 cs.LG
Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting
Institute of High Commercial Studies of Sousse (IHEC)(苏塞高等商业学院(IHEC))
准确的电价预测是市场参与者的主要管理目标,因为它代表了市场参与者利润最大化的基本基础。然而,电力是一种不可储存的商品,电价受一些社会和自然因素的影响,这使得电价预测具有挑战性。本研究探讨了一种新的混合模型的预测性能的基础上的广义长记忆自回归模型(k因子GARMA),Gegenbauer广义自回归条件异方差(G-GARCH)过程,小波分解,局部线性小波神经网络(LLWNN)优化使用两种不同的学习算法,反向传播算法(BP)和粒子群优化算法(PSO)。所提出的模型的性能进行评估使用的数据从北池电力市场。此外,它与其他一些参数和非参数模型进行了比较,以证明其鲁棒性。实验结果表明,该方法的性能优于其他竞争技术。
2022-04-18 cs.LG q-fin.ST
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
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
Stock Market Forecasting Based on Text Mining Technology: A Support Vector Machine Method
Information Systems School, Queensland University of Technology(昆士兰科技大学信息系统学院);School of Information, Renmin University of China(中国人民大学信息学院)
新闻对股票市场有着重要的影响,但影响的方式却不明确。许多以前的作品旨在找到准确的股票市场预测模型。本文将文本挖掘和情感分析相结合,对中文网络财经新闻进行分析,并基于支持向量机(SVM)对中国股市走势和股价进行预测。首先,我们收集了2,302,692条新闻,日期从1/1/2008到1/1/2015。其次,基于该数据集,形成特定领域的停用词词典和精确的情感词典。第三,我们提出了一种基于支持向量机的预测模型。在支持向量机的实现算法上,我们还提出了双参数优化算法来寻找最佳的初始参数设置。结果表明,参数G对混凝土的抗弯强度有主要影响,而参数C的影响不明显。此外,支持向量回归(SVR)模型对不同的中国股票是相似的,而在支持向量分类(SVC)模型的最佳参数是相当不同的。一系列对比实验表明:(1)新闻对股市有显著的影响;(2)当当天没有新闻数据时,支持向量回归机对额外情况的扩展输入向量优于正常输入向量,而支持向量回归机对正常情况的扩展输入向量则较差;(3)支持向量回归机对股市波动的预测拟合度很好,但拟合结果存在一定的时滞;(4)新闻对股市的影响时滞小于2天; e)在SVC中,历史股票数据具有最有效的时间滞后,约为10天,而在SVR中,这种影响不明显。此外,基于输入向量的特殊结构,本文还设计了一种计算资金来源影响因子的方法。结果表明,新闻质量和受众数量对信源影响因子都有显著影响。此外,对于中国投资者…
2019-09-27 cs.LG cs.SI stat.ML
On the use of learning-based forecasting methods for ameliorating fashion business processes: A position paper
University of Verona(维罗纳大学);Humatics Srl(Humatics有限公司)
时装业是世界上最活跃和最具竞争力的市场之一,每年生产数百万种产品,并吸引大量观众。这个大规模的行业涉及过多的业务流程,但由于服装产品的生命周期普遍较短,供应链管理和零售战略对于良好的市场业绩至关重要。正确理解客户的需求和需求,管理物流问题和营销正确的产品是高层次的问题,考虑到影响因素的数量,但最重要的是由于与未来相关的不可预测性。因此,很明显,预测方法,产生对未来的预测,是必不可少的,以改善所有的各种业务流程,处理真正的目的和意义的时尚:有很多人穿一个特定的产品或风格,使这些项目,人,从而品牌时尚。在本文中,我们概述了三个具体的预测任务,任何时装公司都可以应用,以提高其行业和市场的影响。我们强调所有三项任务的进展和问题,并讨论它们的重要性以及它们在工业层面上可能产生的影响。最后,我们强调了未来工作的问题和方向,反映了基于学习的预测方法如何进一步帮助时尚行业。
2022-11-09 cs.CV cs.LG
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories
University of Duisburg-Essen(杜伊斯堡-埃森大学)
最近关于点电价预测的研究表明,每小时德国日内连续市场是弱式有效的。因此,我们采取了一种新颖的、先进的方法来解决这个问题。通过模拟每个交易窗口中的轨迹来执行每小时日内电价的概率预测,以接收真实的集合,从而允许更有效的日内交易和重新调度。一个广义的加法模型被拟合到价格差,假设它们遵循零膨胀分布,确切地说是狄拉克分布和学生t分布的混合。此外,使用具有套索惩罚的高维逻辑回归估计混合项。我们使用i.a.对序列的期望值和波动率进行建模。自回归和无交易效应或负荷、风能和太阳能发电预测,并考虑到例如到期时间的非线性。使用滚动窗口预测研究的样本内特性和预测性能进行了分析。多个版本的模型进行了比较,几个基准模型,并使用概率预测措施和显着性检验进行评估。该研究旨在预测德国日内连续市场在最后3小时交易中的价格分布,但该方法可以应用于其他连续市场,特别是欧洲市场。结果证明了混合模型的优越性,从波动率的建模中获得最多的基准。它们还表明,XBID的引入降低了市场波动。
2020-08-29 cs.LG cs.SY econ.EM
ADD: Augmented Disentanglement Distillation Framework for Improving Stock Trend Forecasting
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院)
股票趋势预测已成为金融领域广泛关注的热门研究方向。虽然深度学习方法已经取得了令人鼓舞的成果,但仍然存在许多限制,例如,如何从原始股票数据中提取干净的特征。在本文中,我们介绍了一个\emph{Augmented Disentanglement Distillation (ADD)}的方法,以消除干扰功能,从噪声的原始数据。具体而言,我们提出了1)一个解纠缠结构,以分离过剩和市场信息从股票数据,以避免这两个因素干扰对方自己的预测。此外,通过在解纠缠框架上应用2)动态自蒸馏方法,还可以去除其他隐含的干扰因素。此外,由于我们的框架中的解码器模块,3)提出了一种新的策略,以增加训练样本的基础上,不同的过剩和市场的功能,以提高性能。我们对中国股票市场的数据进行了实验。结果表明,该方法显著提高了股票趋势预测性能,并通过回测提高了实际投资收益,有力地证明了该方法的有效性。
2020-12-11 cs.AI cs.LG
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
Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model
University of Houston(休斯顿大学)
电价是影响市场参与者决策的关键因素。准确预测电价是非常重要的,也是非常具有挑战性的,因为电价是高度波动的,由于各种因素。本文提出了一种集成的长期递归卷积网络(ILRCN)模型来预测电价,考虑到大多数贡献的属性作为输入的市场价格。所提出的ILRCN模型结合了卷积神经网络和长短期记忆(LSTM)算法的功能以及所提出的新颖的条件误差校正项。组合ILRCN模型可以识别输入数据内的线性和非线性行为。我们使用ERCOT批发市场价格数据以及休斯顿地区的负荷分布、温度和其他因素来说明所提出的模型。建议ILRCN电价预测模型的性能进行了验证,使用性能/评估指标,如平均绝对误差和准确性。算例分析表明,与支持向量机模型、全连接神经网络模型、LSTM模型和不带条件误差修正阶段的LRCN模型相比,该模型具有更高的预测精度和更高的预测效率.
2021-12-23 cs.LG cs.SY eess.SY
Monsoon Mayhem to Market Waves: Forecasting Fisheries Resilience in Sri Lanka
University of Moratuwa(莫拉图瓦大学)
本研究开发框架结合STL分解、ITS回归等方法,分析斯里兰卡渔业受气候与重大事件的影响,发现海洋与内陆渔业的差异,成果可支撑渔业规划与决策。
2026-08-07 cs.LG econ.GN q-fin.EC
Context-Aware Language Models for Forecasting Market Impact from Sequences of Financial News
University of California, Santa Barbara(加州大学圣巴巴拉分校);Johns Hopkins University(约翰霍普金斯大学)
本文提出一种高效上下文化方法,利用小型LM编码历史新闻上下文并与大型LM对齐,显著提升了模型预测金融新闻市场影响的能力及模拟投资绩效。
2025-09-15 cs.CE cs.CL q-fin.CP
Forecasting Bitcoin volatility spikes from whale transactions and CryptoQuant data using Synthesizer Transformer models
SUTD(新加坡科技设计大学)
提出融合 CryptoQuant 链上数据与 whale-alert 巨鲸交易信息的 Synthesizer Transformer,提升比特币次日极端波动率飙升预测效果,并经可解释性分析与策略回测验证其风险管理价值。
2022-10-06 cs.AI cs.LG q-fin.CP