Jul, 2023

基于 LOB 的深度学习模型用于股票价格趋势预测：基准研究

PDF
TL;DR深度学习在金融领域取得了重要进展，本研究基于限价单数据，通过对十五种先进的深度学习模型进行鲁棒性和泛化性能的研究，发现这些模型在新数据中表现出明显的性能下降，对其在实际市场中的适用性产生了质疑。我们的工作作为一个基准，揭示了当前方法的潜力和局限性，并为创新解决方案提供了见解。
发现论文，激发创造
  • 深度委托簿预测

    利用先进的深度学习方法，研究预测在纳斯达克交易所上交易的异构股票的高频限价挂单簿中价位变动的可预测性。通过释放开源代码 'LOBFrame'，高效处理大规模的限价挂单簿数据，定量评估最新的深度学习模型的预测能力。研究结果有两个方面：我们证明股票的微观结构特征影响深度学习方法的有效性，而高预测能力并不一定对应可执行的交易信号。我们认为，传统的机器学习指标未能充分评估限价挂单簿上的预测质量。作为替代，我们提出了一种创新的操作框架，通过关注准确预测完整交易的概率来评估预测的实用性。这项工作为学术界和实践者们提供了一个应用深度学习技术、了解其范围和限制以及有效利用限价挂单簿的新统计特性的途径，从而做出明智而稳健的决策。

    Mar, 2024

  • DeepLOB: 用于限价订单簿的深度卷积神经网络

    本文介绍一种利用深度学习通过限价单数据预测股票价格的方法，并通过 LSTM 模块和卷积滤波器提高了预测精度和时间依赖性，同时通过敏感度分析的方法解释了 LOB 中最重要的组件。

    Aug, 2018

  • 深度学习的中价预测特征工程

    本文通过设计一种新的手工特征并对流动性和非流动性股票进行广泛的实验评估，解决了基于限价单簿（LOB）数据的中间价格运动预测的问题，并将特征馈入 9 种基于多层感知器（MLP）、卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的不同深度学习模型，以预测下一个价格趋势的方向和直到变化发生的订单簿事件数量，实验结果表明，正确选择特征集和模型可以成功预测股票价格变动的时间。

    Apr, 2019

  • BDLOB: 基于贝叶斯深度卷积神经网络的限价单簿

    利用退火变分推理，我们首次将贝叶斯神经网络应用于限价买卖订单簿，证明了通过后验预测分布确定的不确定性信息能够用于头寸控制，避免不必要的投资交易，提高了利润，并且还提高了预测性能作为随机正则化器。

    Nov, 2018

  • 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

  • 使用 CNN 和 LSTM 的深度学习模型 robust 分析股票价格时序

    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

  • 深度学习在股市预测中的应用：最近进展

    这篇研究论文对近年来基于深度学习模型的股票市场预测的研究进行了综述，分析并分类了不同数据源、神经网络结构、常用评估指标以及实现和可重现性，并提出了未来的研究方向，旨在帮助研究人员了解最新进展和重现以前的研究作为基线。

    Feb, 2020

  • 利用深度学习探究印度股市的行业盈利能力

    该研究探讨使用深度学习长短期记忆（LSTM）模型进行准确的股票价格预测及其对投资组合设计的影响，研究表明 LSTM 模型在准确预测股票价格和指导投资决策方面的有效性，并提供了对印度当前金融市场动态的有价值的见解。

    May, 2024

  • 基于机器学习和 LSTM 深度学习模型的股票价格预测

    本研究提出一种基于混合建模的新方法，使用机器学习和深度学习模型对印度 NSE 国家股票交易所 NIFTY 50 指数进行了股票价格预测，使用一周前的数据作为输入的基于 LSTM 的单变量模型在各种度量标准上表现最好。

    Sep, 2020

  • 利用深度学习利用静态限价单特征进行价格预测

    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