本论文提出了一种新的基于图像和字节的数字表示方法，利用股票数据进行市场预测，相对于传统的基于时间序列模型的预测方法，我们的方法表现更好，同时采用深度学习基线方法进行评估。

Jan, 2023

本文提出了一种利用多模态注意力网络（multi-modality attention network）进行股票预测的方法，将社交媒体中的语义信息和历史交易记录中的数字特征相结合，通过减少冲突来提高预测准确性（61.20%）和交易利润（9.13%），从而提高了股票预测的性能和为多模态融合提供了未来研究方向。

Dec, 2021

使用领域专家构建金融专业事件字典，并自动从金融新闻中提取精细的事件信息，并设计神经模型将金融新闻与精细的事件结构和股票交易数据相结合，预测股票运动，实验结果表明，该方法胜过所有基准线，并具有良好的泛化能力。

Oct, 2019

这篇论文提出了一个双进程的元学习方法，将每个股票的预测视为元学习框架下的一个任务，使用股票依赖参数来建立每个股票的特定模式。通过挖掘每个股票的节点变量，该方法可以提高各种基线模型的性能，并证明了元学习框架的有效性。

Oct, 2022

本文提出一种新的股市趋势预测框架，可以充分挖掘预定义概念和隐藏概念中的概念导向共享信息，同时利用股票的共享信息和个体信息，提高了股市趋势预测的性能，在实际的投资仿真中，相对于基准线，我们的框架可以获得更高的投资回报。

Oct, 2021

基于顺序广义变分模态解耦和空间平滑长短期记忆神经网络的市场销售量时间序列预测方法能够提高市场销售量的预测准确性和对特定市场情境的准确性。

Jun, 2024

这篇论文研究了如何利用数值和概率模型进行高频交易的短期波动率和回报预测，通过在 Numerical Market Prediction 模型的输出上应用高斯过程，使用修正后的股价数据建立了一个被审查的高斯过程模型，评估了预测误差。

Nov, 2023

利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

Dec, 2023

本研究提出了一个用于预测股票走势的框架，利用 DNN 技术实现了逐股票的内部动态与不同股票间多阶相关性建模，并采用了基于小波基的超图注意力，实现了在效率与准确率上的平衡。实验结果表明，该框架在收益和稳定性方面超越了现有方法。

Nov, 2022

提出了一种新颖的使用空间时间转换器 - LSTM 模型的 STST 方法来预测股票涨跌，该模型在 ACL18 和 KDD17 数据集上分别获得了 63.707％和 56.879％的准确率，并用于模拟交易，获得了不低于 S＆P500 股票指数的 10.41％的最小收益率和 31.24％的最小年化收益率。

May, 2023