本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架,研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。
Apr, 2020
本文介绍了一个混合预测市场原型,并展示了它为有意义的人工智能协作提供的途径。我们以前提出的人工预测市场作为新的机器学习算法进行建设。通过将人类参与者与机器人交易者嵌入到这些市场中,我们可以汇集两者的见解。本文详细介绍了用于预测复制研究结果的混合市场模型的试点研究,强调了挑战和机会,并分享了与混合市场参与者进行的半结构化访谈的见解,并概述了未来的工作愿景。
Mar, 2023
本文提出使用机器学习算法和超级预测者的预测来增强投资决策的价格预测模型。通过构建五个机器学习模型,包括双向 LSTM、ARIMA、CNN 和 LSTM 的组合、GRU,以及使用 LSTM 和 GRU 算法构建的模型,利用平均绝对误差评估这些模型的预测准确性。此外,研究建议通过识别超级预测者并跟踪其预测来预测股价的不可预测的变化,从而进一步提高机器学习和自然语言处理技术的股价预测准确性。
Jul, 2024
机器学习任务对输入数据的质量很敏感,但是企业往往难以获得足够的数据集,这些数据集通常在不同的所有者间进行自然分布,这些所有者在实践中可能是下游市场的竞争对手,且不愿意共享信息。我们提出了一种基于贝叶斯框架的回归市场机制,为数据共享提供了经济激励,以解决监督学习回归任务中的这些挑战。我们对市场性质进行了全面的研究,并表明当前文献中类似建议暴露了市场参与者的巨大财务风险,而我们的概率设置可以减小这些风险。
Oct, 2023
本研究介绍了使用机器学习算法,基于国际贸易交易和相关经济因素,进行预测和解释交易流的可能性,并对预测结果和政策决策进行了评估。
Oct, 2019
这篇研究论文对近年来基于深度学习模型的股票市场预测的研究进行了综述,分析并分类了不同数据源、神经网络结构、常用评估指标以及实现和可重现性,并提出了未来的研究方向,旨在帮助研究人员了解最新进展和重现以前的研究作为基线。
Feb, 2020
此研究分析了股票市场的复杂性和预测股票价格的挑战,探讨了深度学习在预测股票价格方面的潜力以及其为投资者和金融机构制定有效风险管理政策提供的有价值的见解。
Apr, 2023
本文提出了基于一维卷积神经网络的金融市场预测模型,并通过历史交易数据严格回测,证明了该模型可以更有效地提取更一般化和信息丰富的特征,实现比之前的机器学习方法更强大且更有利润性的金融绩效。
Apr, 2021
金融市场的价格波动被认为非常嘈杂,为减少风险并提高结果,我们采用了基于机器学习算法的模型集成方法,通过学习一系列模型并在测试时对数据进行修剪,预测固定期限收益。这种方法有望在更低的风险水平下获得更好的整体回报。
研究采用强化学习算法中的马尔可夫决策过程,通过机器学习等技术应对电力市场中的各种挑战,并取得了 13.39% 的增长。
Mar, 2022