ARIMA-LSTM 混合模型预测股价相关系数
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
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
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
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
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
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
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