Sep, 2017

深度股票表示学习：从蜡烛图到投资决策

PDF
TL;DR本研究基于深度学习提出了一种新的投资决策策略 (Investment Decision Strategy, IDS)，利用卷积自编码器 (Convolutional AutoEncoder) 学习股票嵌入，通过模块化优化来聚类股票并选择高夏普比的股票构建低风险高回报的投资组合，实验结果显示该策略在 2000 个交易日中相对于 FTSE 100 指数和许多知名基金获得了更高的总回报。
investment decision strategydeep learningstock similarityconvolutional autoencoderportfolio construction
发现论文，激发创造
  • 深度股票：基于深度学习的训练和交易方案

    通过使用深度学习技术进行系统交易，该文构建了一种名为 DeepStock 的模型，能够根据过去 600 天的股票价格预测未来 D 天内股价的涨跌幅度，在韩国和美国的股市中比市场平均水平的收益分别高出 N% 和 A%。

    Apr, 2023

  • 跨部门预测股票回报的深度学习

    本研究利用深度学习方法预测日本股市横截面中一个月的股票回报，并发现深度神经网络通常优于浅层神经网络，而且最佳网络也优于代表性的机器学习模型，这表明深度学习在预测横截面股票回报方面表现良好。

    Jan, 2018

  • 股票交易的实用深度强化学习方法

    本文探讨了深度强化学习在优化股票交易策略方面的潜在性，并证明了所提出的深度强化学习方法在夏普比率和累积回报方面优于道琼斯工业平均指数和传统的最小方差组合策略。

    Nov, 2018

  • 基于时间序列分析的股票价格预测：机器学习和深度学习模型

    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

  • 深度学习在股市预测中的应用：最近进展

    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

  • 深度学习模型预测股票指数的比较研究

    本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

    Jun, 2023

  • 使用 CNN 和 LSTM 的深度学习模型 robust 分析股票价格时序

    本研究基于印度国家股票交易所（NSE）中一家著名公司自 2012 年 12 月 31 日至 2015 年 1 月 9 日间五分钟间隔的股票价格历史数据，构建了四个卷积神经网络（CNN）和五个长短时记忆（LSTM）深度学习模型，精确预测未来的股票价格，并提供了这些模型的执行时间和均方根误差（RMSE）的详细预测准确性结果。

    Nov, 2020

  • 利用深度学习探究印度股市的行业盈利能力

    该研究探讨使用深度学习长短期记忆（LSTM）模型进行准确的股票价格预测及其对投资组合设计的影响，研究表明 LSTM 模型在准确预测股票价格和指导投资决策方面的有效性，并提供了对印度当前金融市场动态的有价值的见解。

    May, 2024

  • 一种新型的金融时间序列案例表示法用于行业分类

    本文旨在研究如何使用基于案例的推理来进行金融领域中的行业分类。通过提出一种基于股票回报嵌入的新型表征方法，使得此任务能够得到有效解决，并在现有的公共数据集上获得了显著的性能提升。

    Apr, 2023

  • AlphaStock：使用解释性深度强化关注网络的买赢家卖输家投资策略

    本文提出了一种结合解释性深度注意力网络的强化学习投资策略，将深度学习方法应用于量化交易，提高投资策略的风险收益平衡度和可解释性，并实现了资产间关系和高成长、低波动、高内在价值和被低估的股票的选择，经过对美国和中国市场的实验验证，此策略具有较高的效果和稳健性。

    Jul, 2019