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

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

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

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

这篇研究论文对近年来基于深度学习模型的股票市场预测的研究进行了综述，分析并分类了不同数据源、神经网络结构、常用评估指标以及实现和可重现性，并提出了未来的研究方向，旨在帮助研究人员了解最新进展和重现以前的研究作为基线。

Feb, 2020

本文提出了一种基于深度学习的时间序列预测方法，并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤，并进行可视化检查。实验结果表明，如果数据集中的时间序列重复出现固定模式，则可以使用单个时间序列来训练深度学习网络。然而，对于股票市场收盘价格等较少结构化的时间序列，网络表现与重复观察到的最后一个值的基准线类似。该方法的实现和实验是开源的。

Feb, 2023

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

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