首页/论文/cs/0011016

arXiv cs/00110162000-11-13cs.CEcs.CC

设计股票市场指数的代理在计算上是困难的

Designing Proxies for Stock Market Indices is Computationally Hard

Ming-Yang Kao, Stephen R. Tate

备注：: An abstract appeared in the Proceedings of the 10th Annual ACM-SIAM Symposium on Discrete Algorithms, 1999

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在本文中，我们研究的问题，设计代理（或投资组合）的各种股票市场指数的基础上的历史数据。我们使用四种不同的方法来计算市场指数，所有这些都是在实际股票市场分析中使用的公式。对于每个指数，我们考虑三个标准来设计代理：代理必须跟踪市场指数，跑赢市场指数，或在指数的误差范围内执行，同时保持低波动性。在12个案例中的11个案例中（除了使用价格相对指数牺牲回报以降低波动性的问题外，所有四个指数与三个标准的组合），我们证明了这个问题是NP难的，因此很可能是棘手的。

英文摘要：

In this paper, we study the problem of designing proxies (or portfolios) for various stock market indices based on historical data. We use four different methods for computing market indices, all of which are formulas used in actual stock market analysis. For each index, we consider three criteria for designing the proxy: the proxy must either track the market index, outperform the market index, or perform within a margin of error of the index while maintaining a low volatility. In eleven of the twelve cases (all combinations of four indices with three criteria except the problem of sacrificing return for less volatility using the price-relative index) we show that the problem is NP-hard, and hence most likely intractable.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

使用时间序列生成对抗网络（TimeGAN）捕捉股票价格指数中的波动性与不规则性

Volatility and irregularity Capturing in stock price indices using time series Generative adversarial networks (TimeGAN)

本文针对COVID-19冲击下股票价格的不规则性，提出使用TimeGAN模型进行金融时间序列建模与预测，在DAX指数实验中其预测误差低于LSTM、GRU和WGAN等基准模型。

2023-11-21cs.CE

基于多源金融数据的动态堆叠集成学习与投资者知识表示用于股票市场指数预测

Dynamic stacking ensemble learning with investor knowledge representations for stock market index prediction based on multi-source financial data

Zhejiang University（浙江大学）；Chongqing University（重庆大学）；Beijing Institute of Technology（北京理工大学）

本文提出基于投资者知识表示的两阶段动态堆叠集成模型，通过有效提取多源金融数据特征提升股票市场指数预测精度，并设计交易策略实现超额收益。

2025-12-16cs.CE

利用Python自动生成历史股价数据集

Automatic Historical Stock Price Dataset Generation Using Python

针对股票研究中手动构建大规模指数成分股数据集耗时费力、现有工具功能有限的问题，本研究提出一套基于Python的统一代码资源，支持任意时间段、任意股指的最新数据集自动生成并开源代码。

2023-08-25cs.CE

直接利用股价数据预测股价走向--基于KOSPI和HSI的实证研究

Stock price direction prediction by directly using prices data: an empirical study on the KOSPI and HSI

School of Industrial Management Engineering, Korea University（高丽大学产业管理工程学院）；Harbin Institute of Technology（哈尔滨工业大学）

股票市场方向的预测可以作为短期投资者的早期推荐系统，也可以作为长期股东的早期财务危机预警系统。许多股票预测研究都集中在使用宏观经济指标，如CPI和GDP，来训练预测模型。然而，几乎不可能获得宏观经济指标的每日数据。因此，这些方法很难在实践中使用。本文提出了一种直接利用价格数据预测市场指数方向和股票价格方向的方法。对韩国综合股价指数（KOSPI）和恒生指数（HSI）以及指数中包含的单个成分股进行了对所提出方法的广泛实证研究。实验结果表明，在预测KOSPI和HIS中单个成分的运动时，命中率显着较高。

2017-01-07cs.CEcs.LGq-fin.ST

混合预测模型在股票市场预测中的性能分析

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。

2013-05-15cs.CEq-fin.ST

Twitter情感分析：如何对冲你在股票市场的赌注

Twitter Sentiment Analysis: How To Hedge Your Bets In The Stock Markets

贸易公司和对冲基金对挖掘社交网络的兴趣日益浓厚，为智能系统创造了新的途径，这些系统利用公众舆论来推动投资决策。人们普遍认为，在高频交易中，投资者在进行短期投资决策时，会跟踪微博论坛中出现的模因，将公众行为视为一个重要特征。我们研究了推文板文献（如看涨，成交量，协议等）与金融市场工具（如波动率，交易量和股价）之间的复杂关系。我们分析了2010年6月至2011年7月期间超过400万条关于道琼斯工业平均指数、纳斯达克100指数和其他11只大型科技股的Twitter情绪。我们的研究结果显示，股票价格和推特情绪之间具有很高的相关性（回报率高达0.88）。此外，使用格兰杰因果关系分析，我们已经验证了股票价格和指数的运动在短期内受到Twitter讨论的极大影响。最后，我们已经实现了专家模型挖掘系统（EMMS），以证明我们的预测回报率给出了一个高的R平方值（0.952）与低的最大绝对百分比误差（MaxAPE）的1.76%的道琼斯工业平均指数（DJIA）。我们引入了一种新的方法，利用市场监测元素来自公众情绪，以保持投资组合在有限的风险状态（高度改善对冲赌注）在典型的市场条件。

2012-12-05cs.CE

更多相关论文收起更多论文

生成式AI增强的行业基于投资组合构建

Generative AI-enhanced Sector-based Investment Portfolio Construction

Ukrainian Catholic University（乌克兰天主教大学）；SS&C Algorithmics；University of Toronto（多伦多大学）；Hong Kong Polytechnic University（香港理工大学）

本文探讨了生成式AI在量化行业投资组合构建中的应用，发现其在稳定市场中表现优异，但在波动市场中表现欠佳，强调了混合AI-量化框架的潜力。

2025-12-31cs.AIcs.CEq-fin.CP

互联网情绪加剧日内过度交易：来自A股市场的证据

Internet sentiment exacerbates intraday overtrading, evidence from A-Share market

本研究基于东方财富股吧高频情绪指数，分析2018-2022年沪深300与中证500成分股数据，发现投资者情绪显著加剧A股日内过度交易，且该效应在机构投资者、牛市及大盘股个人投资者中更突出。

2024-07-12cs.CEq-fin.CP

基于萤火虫算法的多输出支持向量回归的区间股价指数预测

Multiple-output support vector regression with a firefly algorithm for interval-valued stock price index forecasting

股票价格指数的高度准确的区间预测是在做出投资决策时成功获利的基础，它提供了一系列的值，而不是一个点估计。在这项研究中，我们研究的可能性，预测一个区间值的股票价格指数序列在短期和长期的视野，使用多输出支持向量回归（MSVR）。此外，本研究提出了一种萤火虫算法（FA）为基础的方法，建立在已建立的MSVR，用于确定参数的MSVR（简称FA-MSVR）。三个全球交易的广泛的市场指数被用来比较所提出的FA-MSVR方法与选定的同行的性能。定量和全面的评估是在统计标准，经济标准和计算成本的基础上进行的。在统计准则方面，我们比较了样本外预测的预测优度的措施和测试方法。在经济标准方面，我们用一个简单的交易策略来评估相对的预测表现。在这项研究中得到的结果表明，建议FA-MSVR方法是一个很有前途的替代预测区间值金融时间序列。

2014-01-09cs.CEcs.LGq-fin.ST

CNNPred：使用多种数据源进行基于CNN的股市预测

CNNPred: CNN-based stock market prediction using several data sources

University of Tehran（德黑兰大学）

金融数据的特征提取是市场预测领域的重要问题之一，目前已有许多方法。在其他现代工具中，卷积神经网络（CNN）最近已被应用于自动特征选择和市场预测。然而，在迄今为止报道的实验中，较少关注不同市场之间的相关性作为提取特征的可能信息来源。在本文中，我们提出了一个基于CNN的框架，该框架具有专门设计的CNN，可以应用于来自各种来源的数据集合，包括不同的市场，以便提取预测这些市场未来的特征。建议的框架已被应用于预测第二天的运动方向的标准普尔500指数，纳斯达克，大疆，纽约证券交易所和罗素市场的基础上的各种设置的初始功能。评估结果显示，与最先进的基线算法相比，预测性能有显着提高。

2018-10-21cs.CEcs.LGcs.NE