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
此研究分析了股票市场的复杂性和预测股票价格的挑战,探讨了深度学习在预测股票价格方面的潜力以及其为投资者和金融机构制定有效风险管理政策提供的有价值的见解。
Apr, 2023
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
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%。
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
使用深度学习层次模型探索金融预测和分类问题,应用深度学习方法可以比现有标准方法更好地解决大规模数据集中的复杂数据交互问题,以便探测和利用当前任何金融经济理论看不到的数据交互。
Feb, 2016
本文综述了近年来 2020 至 2022 年关于利用深度学习模型基于金融时序数据预测价格的研究,包括不同数据源和神经网络结构的实现细节,旨在让研究人员了解该领域最新进展,方便选择先前研究中使用的模型基线,并提供未来研究建议。