DoubleAdapt: 基于元学习的股票趋势预测增量学习方法
通过自然语言处理和文本挖掘技术，利用新闻内容预测股票趋势并对在线内容的低质量、不可靠性和全面性进行解决，提出了一种混合注意力网络来捕捉前两个原则，并应用了自主学习机制来模仿第三个原则。在真实股市数据上的广泛实验表明了这种方法的有效性。
Dec, 2017
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
使用深层次变分自动编码器（VAE）和扩散概率技术，结合随机生成过程来进行序列预测，解决多步股票价格预测的问题，通过形成投资组合评估模型输出的有效性和处理不同类型预测不确定性的重要性。
Aug, 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
本文介绍了StockGPT，一种在美国股票每日收益历史数据上直接预训练的自回归'数值'模型。通过将每个收益系列视为标记序列，该模型在理解和预测高度复杂的股票收益动态方面表现出色。利用注意机制，StockGPT自动学习预测未来收益的隐藏表示。在2001年至2023年的测试样本中，基于StockGPT预测的每日重新平衡的多空投资组合年收益为119%，夏普比率为6.5。基于StockGPT的投资组合完全解释了动量和长期/短期逆转现象，消除了手动构建基于价格的策略的需要，并涵盖了大多数领先的股市因素。这凸显了生成型人工智能在超越人类进行复杂金融投资决策方面的巨大潜力，并证明了大型语言模型的注意机制在完全不同的领域中的有效性。
Apr, 2024
在全球化和数字化的时代，由于金融市场的非稳态性和传统区域和行业分类的不确定性，准确地识别相似股票变得越来越具有挑战性。为解决这些挑战，我们研究了SimStock，这是一个结合了自监督学习（SSL）和时间域泛化技术的新型时间自监督学习框架，用于学习金融时间序列数据的强大而丰富的表示。我们的研究主要关注从更广泛的角度来理解股票之间的相似性，考虑到全球金融格局的复杂动态。通过在包括数千只股票的四个真实数据集上进行广泛的实验，我们展示了SimStock在寻找相似股票方面的有效性，并超过了现有方法。SimStock的实际应用展示了其在配对交易、指数跟踪和投资组合优化等各种投资策略中的应用前景，在性能上超越了传统方法。我们的研究结果以经验证据的形式检验了利用时间自监督学习的数据驱动方法，以在不断变化的全球金融大环境中提升投资决策和风险管理实践的潜力。
Jul, 2024
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
本研究解决了股票预测任务中缺乏明确固定空间关系的问题，并提出了一种双路径自适应相关空间-时间反向变换器（DPA-STIFormer），通过特征变化建模节点信息。该模型通过双路径方式同时提取不同的空间相关性，实验结果表明其在多个股票市场数据集上表现出色，有力证明了模型在挖掘潜在时间相关模式方面的能力。
Sep, 2024