本篇研究提出了一种基于复合网络方法，结合社交媒体和金融数据的前瞻性的市场相关性预测模型，比当前基于静态金融相关性的模型预测准确率提高了 40%，同时发现社交媒体信息能够在长期预测中得到更好的应用。

Nov, 2018

本文提出了一种利用多模态注意力网络（multi-modality attention network）进行股票预测的方法，将社交媒体中的语义信息和历史交易记录中的数字特征相结合，通过减少冲突来提高预测准确性（61.20%）和交易利润（9.13%），从而提高了股票预测的性能和为多模态融合提供了未来研究方向。

Dec, 2021

提出了一个名为 GCNET 的新框架，用于将股票之间的关系建模为影响网络，并使用一组基于历史数据的预测模型来推断子集的股票节点的合理初始标签，在部分标记的图上应用图卷积网络算法来预测每个股票在图中的下一个价格方向的变化，通过对纳斯达克指数中的一组股票的实验证明 GCNET 显着提高了准确性和 MCC 度量方面的性能。

Feb, 2022

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

本文将分析和实现一个时间序列动态神经网络以预测每日收盘股价，并通过使用神经网络来将股票价格的预测精度提高到比现有技术更高的程度，来比较和探讨当代股票分析方法，包括基本分析，技术分析和回归分析，并使用神经网络对有效市场假说进行对比，驳斥有效市场假说并支持混沌理论。最后，提出了神经网络在股票价格预测中的使用建议。

Jun, 2023

提出了一种利用机器学习、深度学习和自然语言处理的混合方法来预测股票价格走势，包括对印度国家股票交易所的 NIFTY50 指数数据进行分析、使用分类技术预测股票价格走势，使用回归模型预测股票收盘价等，最终通过集成情感分析模块，用推特情感和上周收盘价来预测下周的股票价格。所提出的算法通过自组织模糊神经网络方法的交叉验证得到了有趣的结果。

Dec, 2019

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

在复杂的金融市场中，为了使个人能够做出明智的决策，推荐系统可以起到关键作用。现有的研究主要侧重于价格预测，但即使是最复杂的模型也不能准确预测股票价格。另外，许多研究表明，大多数个体投资者不遵循已建立的投资理论，因为他们有自己的偏好。因此，股票推荐的关键是推荐应该具有良好的投资表现，同时也不应忽视个体偏好。为了开发有效的股票推荐系统，必须考虑三个关键方面：1）个体偏好，2）投资组合多样化，以及 3）股票特征和个体偏好的时间特性。因此，我们开发了一种名为 PfoTGNRec 的投资组合时间图网络推荐系统，它可以处理时变的协同信号，并结合增强对比学习来增加多样性。结果表明，与包括尖端动态嵌入模型和现有股票推荐模型在内的各种基线相比，我们的模型表现出优越的性能，既在保持捕捉个体偏好的竞争力的同时，也展现出良好的投资表现。该文的源代码和数据可在此网址获得。

Mar, 2024

利用社交媒体数据和情感分析，结合宏观经济指标、搜索引擎数据和历史价格，基于多注意力深度学习模型，预测股市波动和行情。

Oct, 2023