Mar, 2023

TM-vector：一种利用 Twitter 和市场数据丰富表征的市场股票运动新型预测方法

PDF
TL;DR本研究提出了一种利用 TM-vector 来训练 IndRNN 的预测股票市场方向的方法，并将其与从 Twitter 中提取的特征和市场信息同时训练，以更准确地预测股票市场方向。通过对苹果公司每日股票价格的预测模型的测试，我们得到了接近 95% 的准确性，表明了 TM-vector 在股票市场预测中的有效性。
stock market forecastingneural networkstm-vectorindrnntwitter
发现论文，激发创造
  • 利用时间序列分析和自然语言处理预测金融市场趋势

    本研究通过时间序列分析和自然语言处理，评估了利用 Twitter 情感进行预测特斯拉、苹果等主要公司股票价格的可行性，结果表明积极性、消极性和主观性是股票价格波动的主要决定因素。该研究强调了将公众意见纳入股票价格预测的重要性，同时指出利用 Twitter 情感可以作为预测股票价格的有效工具，应纳入投资策略制定。

    Aug, 2023

  • 基于推文、宏观经济因素和历史价格的股票趋势和波动性预测

    通过利用社交媒体数据和宏观经济指标来精确预测股市，这篇论文介绍了一种新的方法，该方法包括有效提取和解码推文数据的高效推文过滤器，以及在语义空间中识别股票、行业和宏观经济因素之间多层次关系的自我感知机制，进而利用股票价格波动实现提高准确性。

    Dec, 2023

  • 利用视觉语言模型进行细致市场变化预测

    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

  • 股票走势预测的多模态注意力网络

    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 Transformers 和情感分析支持股票趋势预测

    本文利用 Transformers 模型和情感分析结合了技术股票数据和头条新闻数据，以准确预测股票趋势。与 RNN 相比，我们的模型在预测时间窗口为 30 个工作日的情况下将方向准确性提高了近 18.63％。

    May, 2023

  • 基于注意力机制循环神经网络的金融新闻股票趋势预测

    使用深度神经模型从新闻文本中提取语义特征，应用自注意机制分配注意力，并预测标准普尔 500 指数和个人公司股价的方向性变化，表明该技术与其他最先进的方法相当竞争，证明了最新的自然语言处理技术对计算金融业的有效性。

    Nov, 2018

  • 利用 Twitter 数据进行情感分析以预测股市走势

    利用 Word2vec 和 N-gram 文本表示方法，对 Twitter 上大众情绪进行情感分析，并应用监督式机器学习原理分析某公司股票市场的走势与 Twitter 上情感的相关性，研究表明社交媒体中与某公司相关的正面消息和推文会鼓励人们投资该公司的股票，从而提高该公司的股价。

    Oct, 2016

  • ALERTA-Net：一种适用于股票走势和波动预测的时间距离感知循环神经网络

    利用社交媒体数据和情感分析，结合宏观经济指标、搜索引擎数据和历史价格，基于多注意力深度学习模型，预测股市波动和行情。

    Oct, 2023

  • 股票运动预测的时空变换器

    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

  • 基于时间序列分析的股票价格预测：机器学习和深度学习模型

    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