本文介绍一种利用深度学习通过限价单数据预测股票价格的方法，并通过 LSTM 模块和卷积滤波器提高了预测精度和时间依赖性，同时通过敏感度分析的方法解释了 LOB 中最重要的组件。

Aug, 2018

利用先进的深度学习方法，研究预测在纳斯达克交易所上交易的异构股票的高频限价挂单簿中价位变动的可预测性。通过释放开源代码 'LOBFrame'，高效处理大规模的限价挂单簿数据，定量评估最新的深度学习模型的预测能力。研究结果有两个方面：我们证明股票的微观结构特征影响深度学习方法的有效性，而高预测能力并不一定对应可执行的交易信号。我们认为，传统的机器学习指标未能充分评估限价挂单簿上的预测质量。作为替代，我们提出了一种创新的操作框架，通过关注准确预测完整交易的概率来评估预测的实用性。这项工作为学术界和实践者们提供了一个应用深度学习技术、了解其范围和限制以及有效利用限价挂单簿的新统计特性的途径，从而做出明智而稳健的决策。

Mar, 2024

本文提出了一种构建平稳特征的新方法，可以有效地应用深度学习模型以解决金融数据非恒定性等问题，并结合了 CNN 模型提取有用特征和 LSTM 模型分析时间序列的能力，测试显示其在预测期限方面优于单独的 LSTM 和 CNN 模型。

Oct, 2018

深度学习在金融领域取得了重要进展，本研究基于限价单数据，通过对十五种先进的深度学习模型进行鲁棒性和泛化性能的研究，发现这些模型在新数据中表现出明显的性能下降，对其在实际市场中的适用性产生了质疑。我们的工作作为一个基准，揭示了当前方法的潜力和局限性，并为创新解决方案提供了见解。

Jul, 2023

引入了一种新型的大规模深度学习模型来预测限价单簿的中间价格变动，称为 HLOB。该模型利用信息过滤网络 (Triangulated Maximally Filtered Graph) 来揭示卷面层次之间更深层次和非平凡的依赖结构，并通过从同源卷积神经网络 (Homological Convolutional Neural Networks) 中汲取灵感来保证处理底层系统复杂性的确定性设计。我们对三个包含 15 只在纳斯达克交易所交易的股票的真实限价单簿数据集进行了对比实验，将我们的模型与 9 种最先进的深度学习模型进行了系统性的比较，我们系统地表征了 HLOB 优于最先进模型的情景。我们的方法揭示了限价单簿信息在空间分布上的情况，并揭示了它在增加的预测时间范围内的退化情况，缩小了微观结构建模和基于深度学习的高频金融市场预测之间的差距。

May, 2024

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

利用退火变分推理，我们首次将贝叶斯神经网络应用于限价买卖订单簿，证明了通过后验预测分布确定的不确定性信息能够用于头寸控制，避免不必要的投资交易，提高了利润，并且还提高了预测性能作为随机正则化器。

Nov, 2018

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

本研究提出一种基于混合建模的新方法，使用机器学习和深度学习模型对印度 NSE 国家股票交易所 NIFTY 50 指数进行了股票价格预测，使用一周前的数据作为输入的基于 LSTM 的单变量模型在各种度量标准上表现最好。

Sep, 2020

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