使用基于订单流的深度卷积神经网络进行短期波动率预测
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
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
本研究旨在利用公共社交媒体数据(特别是 Twitter)的深度学习表示来寻找一种新资产类别 —— 加密货币(尤其是比特币)的波动率稳定且准确的波动率预测方法。研究利用超过 3000 万条比特币相关推文的语义信息和用户统计信息,并结合 144 天内每 15 分钟的价格数据来构建了多种深度学习构架。实证结果显示,时间卷积网络在预测精度上比经典自回归模型和其它深度学习构架表现更优,同时发现推文作者元信息是比推文的语义内容和推文体积更好的波动率预测因子。
Oct, 2021
本文探讨了通过利用深度学习的结构,对股价波动进行建模的可行性,并针对 2018 天中的 1314 个股票序列,通过负对数似然度量对现实世界的股票时间序列的实验进行比较,结果表明,与 GARCH 家族的各种常用确定性模型和最近提出的几个随机模型相比,包括扩展 CNN 和扩展循环神经网络等扩展神经模型产生了最准确的估计和预测
Nov, 2018
该研究旨在比较基于深度学习的多变量数据预测模型在波动率预测方面的表现,结果表明 Temporal Fusion Transformer 优于传统方法和浅层网络,因此鼓励将其应用到实践中。
Jun, 2023
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
利用浅层双向 LSTM 模型和特征工程方法对比特币价格进行预测,并显示在使用所提出的特征工程方法时,浅层深度神经网络优于其他流行的价格预测模型。
Oct, 2023
DeepVol 是一种新的深度学习波动率模型,通过迁移学习的方法,可以有效地捕捉和建模所有金融资产的波动率动态,包括以前未见到的资产,使用单个通用模型,相较于传统的计量经济模型,DeepVol 能更好地模拟各种数据集的波动率,并为金融行业的波动率建模和预测开辟了新的途径,可能改变人们对波动率的理解和预测方式。
Sep, 2023
我们的工作提出了两个基本贡献:在应用方面,我们解决了预测次日加密货币价格的难题;在方法上,我们提出了一种新的动态建模方法,深度状态空间模型,它保持了状态空间模型的概率形式,提供了估计的不确定性量化,并具备深度神经网络的函数逼近能力。实验使用了从 Yahoo Finance 获取的已建立的加密货币进行,旨在预测下一天的价格。与现有技术和传统动态建模技术进行了基准测试,结果显示所提出的方法在准确性方面取得了最佳综合结果。
Nov, 2023