使用随机森林预测股市价格走向
追溯 2020 年 3 月至 2022 年 5 月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现 XGBoost 模型虽然运行时间较长（最多 10 秒），但提供了最高的准确性。
May, 2023
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
使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务，本文将回顾多种深度学习算法，包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型，以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性，结果表明，较低的平均绝对误差（MAE）值可以更准确地预测股价。
Feb, 2024
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
运用先进的机器学习技术，包括随机森林和极限梯度提升，来预测主要发生在美国市场的潜在市场崩盘；同时，通过比较模型表现，考察哪种模型更适合预测美国股市崩盘。
Jan, 2024
本研究提出一种基于混合建模的新方法，使用机器学习和深度学习模型对印度 NSE 国家股票交易所 NIFTY 50 指数进行了股票价格预测，使用一周前的数据作为输入的基于 LSTM 的单变量模型在各种度量标准上表现最好。
Sep, 2020
该研究通过使用简单的 RNN 等多种循环神经网络（RNN）结构与经典算法进行比较，评估其在构建 ASEAN-5 股票市场中用于早期崩盘检测的分类模型方面的性能。研究使用不平衡数据进行分析，该类数据很常见，因为市场崩盘的发生是罕见的。研究分析了 2010 年至 2023 年期间东盟五国主要股票市场的日常数据，包括印度尼西亚、马来西亚、新加坡、泰国和菲律宾。以股票价格指数低于 5%、2.5% 和 1% 的风险值为阈值时，将其定义为市场崩盘的目标变量。预测变量包括主要本地和全球市场以及大宗商品市场的技术指标。本研究包括 213 个具有各自滞后期（5、10、15、22、50、200）的预测变量，并使用时间步长 7，将预测变量的总数扩大到 1491。通过 SMOTE-ENN 解决了数据不平衡的挑战。结果表明，所有基于 RNN 的结构均优于随机森林和 XGBoost。在各种 RNN 结构中，由于数据特征不过于复杂且更关注短期信息，简单的 RNN 表现出色。该研究通过包含不同地理区域和时间段以及方法上的调整，增强了和扩展了以往研究观察到的现象范围。
Jun, 2024
本文使用两种不同的输入方法设计了一种 LSTM 模型，以预测印度两家公司 Reliance Industries 和 Infosys Ltd 的短期股价。结果表明，使用技术指标的 Multivariate LSTM 模型可以更准确地预测未来的股价行为。
May, 2022
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。
Oct, 2023