本文描述了如何将深度神经网络应用于预测金融市场走势,并进一步用配置和训练方法演示了如何在 43 个不同的商品和外汇期货中进行策略回测。
Mar, 2016
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
本文提出了通过使用卷积神经网络和 Transformers 来捕捉时间序列中的短期和长期依赖,并用于预测股票价格变化,与传统的统计和深度学习方法相比,实验结果表明该方法取得了成功。
Apr, 2023
本研究使用卷积神经网络将市场信息编码成图像,以预测加密货币短期实现波动性。实验结果表明,该方法有潜力更好地捕捉市场动态和进行更好的波动性预测。
该研究介绍了一种新的深度神经网络架构并提出了一种新的方法来准备金融数据以便于它们被馈入该模型,以预测股票和加密货币市场的价格波动。研究表明,该框架可以提供有利可图和稳健的预测,并引入一个交易策略来利用训练模型的输出。
May, 2022
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
通过评估多种深度学习模型,我们发现单变量 LSTM 模型变体在加密货币预测方面表现最佳,并对 COVID-19 期间的价格进行波动性分析。
May, 2024
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