MMAug, 2018

ARIMA-LSTM 混合模型预测股价相关系数

PDF
TL;DR采用 LSTM 和 ARIMA 模型来预测两只股票的相关系数，证明了 ARIMA-LSTM 模型比其他财务模型更优秀，可以在投资组合优化中考虑使用。
发现论文，激发创造
  • 用 LSTM 架构预测石油股票价格

    该研究使用相关分析和神经网络算法，研究了石油公司股票与黄金、原油、美元等因素的关系，成功预测了不同公司股票未来价格趋势，结果具有良好的可解释性。

    Jan, 2022

  • 基于增强金融智能的印度股市预测

    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

  • 应用情感分析辅助不同类型的 LSTM 模型对股票价格预测模型的效率对比

    本文研究旨在找到最佳模型利用公司预测数据和行业表现以及相应公司的情况来准确预测股权股价的短期和长期目标。

    Jul, 2023

  • 股市价格预测：基于混合 LSTM 和连续自注意力的方法

    提出了一种名为 LSTM-SSAM 的新模型，通过对历史价格趋势和季节性的分析，实现了对股票价格的未来预测，并通过实验证明了该模型的有效性和可行性。

    Aug, 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

  • ARIMA、LSTM 和 BiLSTM 预测金融时间序列的比较分析

    本研究比较了双向 LSTM 和单向 LSTM 在时间序列预测中的性能，结果表明双向 LSTM 的附加训练可提高预测准确性，相较于 ARIMA 甚至单向 LSTM，双向 LSTM 的预测效果更佳，但是收敛速度较慢。

    Nov, 2019

  • 预测 NVIDIA 隔日股价：LSTM、MLP、ARIMA 和 ARIMA-GARCH 模型的比较分析

    金融市场中股票价格预测仍然是一个重大挑战，对投资者、交易员和金融机构都有重大影响，而 NVIDIA 作为 AI 革命中的重要角色，在各个领域推动创新，因此我们选择了 NVIDIA 作为我们研究的对象。

    May, 2024

  • 短期股市预测的单变量和多变量 LSTM 模型

    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

  • 利用深度学习和统计模型进行股票预测研究

    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

  • 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