使用Informer网络进行股票和市场指数预测
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
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
本文提出新的模型结构(Temporal Routing Adaptor, TRA),使用Optimal Transport算法解决模型训练中的挑战,将模型应用于真实的股票排名任务及数据集中,相比于现有模型可以提高信息系数(IC)至0.059。
Jun, 2021
本文提出了DeepScalper,一个使用深度强化学习框架来从事日内交易的交易系统,能够有效地区分高维度微观交易空间,对多模态市场表现进行建模,并在风险控制和最大化利润之间保持平衡。
Dec, 2021
本论文提出了一种基于时间和异构图神经网络(THGNN)的方法,用于学习金融时间序列中价格变动之间的动态关系。该方法在美国和中国的股票市场上展开广泛实验,并在实际交易中实现了显著的累积组合回报。
May, 2023
通过比较多种基于LSTM和Transformer的模型在高频限价盘数据上的多个金融预测任务中的表现,研究发现Transformer-based模型在绝对价格趋势预测方面仅具有有限优势,而基于LSTM的模型在价格差异和价格变动等差异序列预测方面表现更好且更稳健。
Sep, 2023
本论文提出了一种创新的自适应混合模型,利用了改进的变分模态分解(VMD)、特征工程(FE)和集成了自适应损失函数的堆叠式Informer的能力,该模型被命名为VMGCformer。通过严格的实验,该模型在处理复杂的股票市场数据动态和波动性方面表现出显著的熟练度。来自多个基准数据集的实验结果凸显了该模型在预测准确性、响应性和泛化能力方面相对于传统和其他混合模型的优越性。该研究进一步突出了优化的潜在途径,并介绍了改进预测建模的未来发展方向,特别是针对小企业和特征工程。
Oct, 2023
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
本研究解决了股票市场趋势预测中的非线性和随机性挑战,通过评估多种先进的深度学习模型,包括新提出的xLSTM-TS模型,探讨了其在短期趋势预测中的有效性。研究发现,xLSTM-TS模型在预测股票价格方向方面表现优越,测试准确率达到72.82%,为市场预测中的机器学习应用提供了重要的见解。
Aug, 2024