Feb, 2019

可解释的基于文本驱动的神经网络股票预测

PDF
TL;DR本研究提出了一种双层注意力神经网络，通过知识方法提取相关的财经新闻，使用输入注意将更有影响力的新闻与日嵌入进行连接，最后采用输出注意机制以不同权重分配不同日对股价变动的贡献，在历史股票价格上进行的实证研究表明我们的方法在股票价格预测方面比现有方法更优越。
financial newsstock pricesneural networkattention mechanismstock price prediction
发现论文，激发创造
  • 基于注意力机制循环神经网络的金融新闻股票趋势预测

    使用深度神经模型从新闻文本中提取语义特征，应用自注意机制分配注意力，并预测标准普尔 500 指数和个人公司股价的方向性变化，表明该技术与其他最先进的方法相当竞争，证明了最新的自然语言处理技术对计算金融业的有效性。

    Nov, 2018

  • 利用词向量和深度神经网络预测股价走势的金融新闻杠杆

    本文应用词嵌入技术和深度神经网络模型，利用金融新闻预测股票价格的走向，实验证明该方法简单有效，可以显著提高标准金融数据库上的股票预测准确性。

    Jun, 2015

  • 倾听混沌的耳语：一种应用于新闻导向的股票趋势预测的深度学习框架

    通过自然语言处理和文本挖掘技术，利用新闻内容预测股票趋势并对在线内容的低质量、不可靠性和全面性进行解决，提出了一种混合注意力网络来捕捉前两个原则，并应用了自主学习机制来模仿第三个原则。在真实股市数据上的广泛实验表明了这种方法的有效性。

    Dec, 2017

  • 股票走势预测的多模态注意力网络

    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

  • 利用嵌入和标签平滑改进基于新闻文章的股价走势分类

    利用深度学习的正则化和优化技术，通过嵌入和双向循环神经网络捕捉新闻文章和股票价格之间的关系，结合权重衰减、批量归一化、dropout 和标签平滑，提高了股票价格分类的准确性，实验结果表明，批量归一化和标签平滑是最有效的，平均提高了 6.0％和 3.4％的绝对准确性。

    Jan, 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

  • 使用动态神经网络进行股价预测

    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

  • 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

  • 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

  • 使用 CNN-LSTM 神经网络模型预测股市时间序列数据

    本文介绍了一种使用 CNN-LSTM 神经网络的股票市场预测模型，通过将股票数据转换为张量，识别特征并预测在给定时间段内的股票市场变化，实验结果表明该模型具有较高的准确性。

    May, 2023