本文提出了一种基于图神经网络的动态股票图学习方法，通过自动构建具有动态性的股票图，并通过广义图扩散过程学习股票之间的依赖关系，进而采用一种解耦表示学习方案获取股票的层次性特征，实验结果表明该方法在建模股票间和股票内部动态性方面具有显著的改进。

Jan, 2024

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

股市是金融系统的关键组成部分，本文提出了一种名为 MDGNN 的动态图神经网络框架，结合传统方法和图模型，全面捕捉股票之间的多方面关系和随时间的演化，利用 Transformer 结构编码时间演化的多重关系，实现了最佳股票投资预测性能。

Jan, 2024

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

股票趋势分类是一项基本但具有挑战性的任务，本文提出了一种基于图表示学习的方法来预测多个股票未来的走势，通过生成动态的多关系股票图来建模股票之间复杂的时变关系，然后通过随机多关系扩散过程进一步改进这些初始图，并实现并行保留的解耦表示学习方案来获取最终的图表示。在美国（纳斯达克和纽约证券交易所）和中国（上海证券交易所）的真实数据集上进行的综合实验验证了我们方法的有效性，这一方法在涵盖七年的三个测试期间的预测下一个交易日股票趋势方面一直优于现有技术基线模型。

Jan, 2024

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

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

本文提出了基于一维卷积神经网络的金融市场预测模型，并通过历史交易数据严格回测，证明了该模型可以更有效地提取更一般化和信息丰富的特征，实现比之前的机器学习方法更强大且更有利润性的金融绩效。

Apr, 2021

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