通过自然语言处理和机器学习技术,我们提出一种能够在语篇层面检测金融相关新闻时态性的新系统,利用了句法和语义依赖等复杂特征,从而提取主要陈述的主导时态。实验结果表明,与一种基于规则的替代方法相比,该系统具有较高的检测精确度,最终有助于发掘金融决策的预测性知识。
Mar, 2024
本文综述了深度学习在时间序列分析和预测领域的主要技术,这些新技术实现了针对时间序列的无监督特征学习,并且取得了不错的应用效果。
Jan, 2017
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。
Apr, 2023
在金融服务行业中,检测异常已成为一项越来越关键的功能。该研究提出了一种基于时间知识蒸馏的标签增强方法,利用旧模型的学习来快速提升最新模型的能力,从而有效减少模型重新训练的时间并改善其性能。
Dec, 2023
金融文本中存在时间数据分布的变化,如何在不稳定的市场环境中训练一个能够准确推断情感且对时间数据分布变化具有鲁棒性的金融情感分析系统?本文通过对跨越三年的真实金融社交媒体数据集进行经验研究,在时间数据分布变化的情况下分析金融情感分析系统的性能下降问题,并基于金融文本的独特时间性质提出了一种结合异常检测和时间序列建模的新方法用于时间金融情感分析。实验证明该方法增强了模型在波动的金融市场中适应不断变化的时间趋势的能力。
Oct, 2023
深度学习在时间序列预测方面取得了显著优势,然而在大流行预测领域仍存在挑战,如训练数据不足和模型的可解释性。此文献综述了几种先进的建模技术,并提供了进一步研究的建议。
Jan, 2024
本文研究了利用大型语言模型在可解释金融时间序列预测中的应用,使用股票价格数据、公司元数据和历史新闻等多模态信号,在 NASDAQ-100 股票上进行实验,结果显示与一些基准模型相比,使用 GPT-4 和 Open LLaMA 这类新型模型进行零样本 / 少样本推断并通过基于指令的微调生成可解释预测,优于经典的 ARMA-GARCH 模型和梯度提升树模型。
Jun, 2023
使用 GPS、遥感和计算模拟等技术,收集大量来自地球科学、农业、智能城市和公共安全等领域的时空数据,结合深度学习技术,开创解决以往无法解决的问题的新机遇并提出未来的研究需求。
本文为对财务领域中利用深度学习模型进行时间序列预测的文献进行了全面的回顾,将研究分为根据预测实现区域(如指数、外汇、商品预测),以及基于不同 DL 模型选择(如 CNNs,DBNs,LSTM),同时探讨了该领域未来的发展机会和挑战。
Nov, 2019
比特币价格的预测引起了在金融市场和投资策略上的关注,本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验,我们发现线性回归模型在候选模型中表现最好。对于模型的解释性,我们对时间序列统计的预处理技术进行系统概述,包括分解、自相关函数、指数三重预测等,旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注,激发更多的研究。