Representing Aggregate Belief through the Competitive Equilibrium of a Securities Market
University of Michigan AI Laboratory(密歇根大学人工智能实验室)
我们考虑的问题的信念聚合:给定一组个体代理的概率信念在一组不确定的事件,制定一个明智的共识或聚合概率分布在这些事件。研究人员提出了许多聚合方法,尽管在哪个是最好的问题上,普遍的共识是没有共识。我们开发了一个基于市场的方法来解决这个问题,代理人押注于不确定的事件,通过购买或出售证券的结果。每个代理人在市场中的行为,以最大限度地提高预期效用在给定的证券价格,其活动仅限于自己的风险厌恶。在这个市场中,商品的均衡价格代表了总体信念。对于具有恒定风险厌恶的代理,我们证明了总概率具有几个理想的性质,并且与独立激励的技术有关。我们认为,基于市场的方法提供了一个可信的机制,相信聚集在多智能体系统,因为它直接解决了自我激励的代理人的参与和真实性的激励,并可以提供一个决策理论基础的“专家权重”经常采用集中池技术。
2013-02-06 cs.AI cs.GT q-fin.GN
CSPO: Cross-Market Synergistic Stock Price Movement Forecasting with Pseudo-volatility Optimization
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Cornell University(康奈尔大学);International Digital Economy Academy (IDEA)(国际数字经济学院(IDEA));The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Nanyang Technological University(南洋理工大学);McGill University(麦吉尔大学)
针对股票市场的外生性和波动率异质性,提出跨市场协同与伪波动率优化框架CSPO,利用外部期货知识增强嵌入,并通过伪波动率动态调整优化,提升预测准确性和鲁棒性。
2025-03-26 cs.AI cs.LG
Belief-Desire-Intention (BDI) Multi-agent System for Cloud Marketplace Negotiation
Twitter, Inc.(推特公司)
随着云计算的发展,越来越多的大型企业将其基础设施和工作负载扩展到公共云中。提出了一个基于信念-愿望-意图(BDI)多Agent的云资源云市场系统的完整框架。云市场系统中的每一方都支持BDI代理进行自主决策和协商,以促进资源的自动购买和销售。此外,来自竞争相同云资源的企业的多个BDI代理可以经由主协商交换所彼此协商,以在协商云资源时最小化企业的总体成本函数。云市场系统进一步增强了代理的行为规范和信誉指数的分配,以促进他们之间的信任。
2022-06-16 cs.AI cs.DC cs.MA
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
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
The Evolution of Probabilistic Price Forecasting Techniques: A Review of the Day-Ahead, Intra-Day, and Balancing Markets
SFI CRT in Artificial Intelligence, School of Computer Science \& IT, University College Cork, Ireland;SFI Insight Centre for Data Analytics, School of Computer Science \& IT, University College Cork, Ireland
本文综述了概率性电价预测技术从贝叶斯方法、分位数回归到保形预测的演进,并扩展至日前、日内与平衡市场,重点分析了有效性方法、评估指标及标准化基准缺失等挑战。
2025-10-28 cs.AI q-fin.ST stat.AP
Forecasting Market Prices using DL with Data Augmentation and Meta-learning: ARIMA still wins!
APPCAIR;BITS Pilani, K K Birla Goa Campus(皮拉尼比尔拉理工学院果阿校区);TCS Research(塔塔咨询服务公司研究院)
深度学习技术已成功用于时间序列预测,并且与传统技术相比,在许多标准基准数据集上通常表现出卓越的性能。在这里,我们对深度学习技术在金融市场价格预测中的表现进行了全面的比较研究。我们对最先进的深度学习基线进行基准测试,如NBeats等,货币和股票市场的数据。我们还使用基于模糊逻辑的需求模型生成合成数据,该模型由交易员经常使用的移动平均线等技术规则驱动。我们基准基准的合成数据的基线技术,以及使用它的数据增强。我们还应用基于梯度的元学习来解释金融时间序列的非平稳性。尽管我们进行了大量的实验,但令人惊讶的结果是,即使使用数据增强或元学习,标准ARIMA模型的性能也优于深度学习。最后,我们推测为什么会出现这种情况。
2021-12-07 cs.AI cs.LG
Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出SocialSense框架,利用大语言模型在现有社会网络上诱导信念中心图并结合图传播捕捉社会动态,有效预测新闻响应,在零样本和监督设置下超越SOTA,尤其擅长处理潜水者和未见用户场景。
2023-10-20 cs.AI cs.CL cs.LG
A maximum entropy model of bounded rational decision-making with prior beliefs and market feedback
Centre for Complex Systems, The University of Sydney(悉尼大学复杂系统中心);Securities Industry Research Centre of Asia-Pacific(亚太证券业研究中心);CoreLogic, Inc.(CoreLogic公司)
有限理性是一个重要的考虑因素,因为智能体的处理能力往往有限,使得完美理性的假设不适用于许多实际任务。我们提出了一个信息理论的方法来推断代理决策史密斯竞争。该模型明确地捕捉代理的有界性(有限的信息处理能力)作为信息获取的成本,以扩大他们的先验信念。扩展被测量为后验决策和先验信念之间的Kullblack-Leibler分歧。当信息获取是免费的,经济人代理恢复,而在情况下,当信息获取变得昂贵,代理,而不是恢复到他们以前的信念。最大熵原理是用来推断最少偏置的决定的基础上正式的量子响应统计均衡框架内的史密斯竞争的概念。将先前的信念纳入这样一个框架,使我们能够系统地探讨在市场反馈的存在下,先前的信念对决策的影响,以及重要的是增加了一个时间解释的框架。我们使用澳大利亚住房市场数据验证了所提出的模型,显示了先验知识的引入如何改变所产生的代理决策。具体来说,它允许分离过去的信念和效用最大化行为的代理,以及分析到代理信念的演变。
2021-05-23 cs.AI cs.IT econ.TH
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
A Neuro-Fuzzy System for Interpretable Long-Term Stock Market Forecasting
Faculty of Electrical Engineering University of Ljubljana(电气工程系 萨格勒布大学)
针对多元时间序列预测中准确性与可解释性难以兼顾的问题,提出结合多头自注意力与模糊推理的Fuzzformer架构,在S&P500数据集上性能与传统模型相当,具备可解释性,为股市行为分析预测提供新方向。
2025-10-01 cs.AI cs.NE cs.SY
DeepClair: Utilizing Market Forecasts for Effective Portfolio Selection
Imperial College London(帝国理工学院);Korea University(高丽大学);Hankuk University of Foreign Studies(韩国外国语大学);Shinhan Bank(新韩银行)
本研究提出新型投资组合选择框架DeepClair,采用基于transformer的时间序列预测模型结合两步策略与LoRA优化技术,搭建市场预测与投资组合选择的桥梁,助力优化投资决策。
2024-08-16 cs.AI cs.CE
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
Cross-Market Meta-Learning for Electricity Price Forecasting
Rice University(莱斯大学);Morgan Stanley(摩根士丹利)
该研究针对电价预测精度受限问题,提出跨市场元学习方法MetaGrid,通过跨市场元训练使单组参数适配新电网,在5家美国ISO基准测试中较最佳基准提升3.1%、较从头训练模型提升7.7%。
2026-10-14 cs.AI cs.LG
Learning Performance of Prediction Markets with Kelly Bettors
IBM Research(IBM研究院);Yahoo! Research(雅虎研究院)
在评估预测市场(和其他群体预测机制)时,研究人员反复观察到所谓的“群体智慧”效应,大致意思是参与者的平均表现要比参与者的平均表现好得多。市场价格--在本文中,我们提出了一个更强烈的问题:市场价格如何与最佳交易者的信念相比较,而不仅仅是平均交易者。我们衡量市场最坏情况下的日志遗憾,这是机器学习理论中常见的概念。为了得到一个有意义的答案,我们需要对交易者的行为做出一些假设。我们假设每个交易者都根据凯利准则进行优化,这是一种可证明的策略,可以在一系列(无限)市场互动中最大化财富的复合增长。我们展示了几个后果。首先,市场预测是个体参与者信念的财富加权平均值。第二,市场以最优速率学习,市场价格的反应就像是根据贝叶斯定律更新,市场预测对最佳个体参与者的最坏情况下的日志遗憾很低。我们模拟了一系列的市场存在一个潜在的真实概率,表明市场收敛到真正的目标频率,如果更新贝塔分布,理论预测。如果代理人采用分数凯利标准,一个常见的实际变体,我们表明,代理人的行为就像全凯利代理人的信念之间加权自己和市场的,市场价格收敛到一个时间折扣的频率。我们的分析为分数凯利投注提供了一个新的理由,这是一种因特殊原因而在实践中广泛使用的策略。最后,我们提出了一种方法,一个代理学习她自己的最佳凯利分数。
2012-01-31 cs.AI q-fin.GN
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
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
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
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
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
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
DecoKAN: Interpretable Decomposition for Forecasting Cryptocurrency Market Dynamics
Beijing Electronic Science and Technology Institute(北京电子科技研究所);Beijing University of Technology(北京理工大学)
DecoKAN通过结合小波变换和KAN网络,实现了对加密货币市场动态的可解释预测,有效分离长期趋势与高频波动,提升模型透明度和预测准确性。
2025-12-23 cs.AI cs.LG
AI-Integrated Decision Support System for Real-Time Market Growth Forecasting and Multi-Source Content Diffusion Analytics
University of Melbourne(墨尔本大学);Columbia Business School, Columbia University(哥伦比亚大学商学院);Booth School of Business, University of Chicago(芝加哥大学布斯商学院)
针对AIGC内容扩散轨迹和市场影响预测的挑战,本研究提出集成混合GNN和时间Transformer框架的AI驱动DSS,通过多源数据融合提升预测性能,为营销决策提供实时可解释洞察。
2025-11-13 cs.AI cs.LG cs.MM
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
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 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
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