Oct, 2023

评估特征选择性能以确定股市价格预测中最佳有效技术指标

HTML
PDF
TL;DR通过特征选择方法，本研究考察了SFS和SBS两种包装式特征选择技术在苹果公司过去十年间使用123个技术指标进行股市预测的影响，结果显示每种特征选择方法与不同的机器学习方法相关联，Ridge和LR方法结合包装式特征选择的SFS和SBS具有最好的股市预测结果。
发现论文，激发创造
  • 使用随机森林预测股市价格走向

    使用随机森林分类器等机器学习算法，通过对技术指标进行特征筛选，进行股价预测，预测效果优于已有文献中现有的算法。

    Apr, 2016

  • 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

  • 揭示公司年报后预测股票价格走势：以2021年中国CSI 300股票为例的案例研究

    通过使用不同的机器学习模型和两组金融指标，本研究研究了股市中公司公布年报后第二天的股价趋势，得出结论基于公司新公布的年度报告财务指标，股票价格很难预测。

    Jun, 2022

  • 股份回购的自动识别和分类及其对短期、中期和长期回报的影响

    利用NLP方法自动检测了57,155份股票回购公告, 发现大多数公司表现不佳, 少数公司表现极佳, 对它们进行股票替代基准指数的调整后, 平均超额表现消失, 但是进行至少1%市值的股票回购公告的公司在市场调整前和市场调整后都呈现了显著的超额表现, 通过训练72个机器学习模型, 能够发现多种策略以及组合模型来改善绩效表现。

    Sep, 2022

  • 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

    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。

    Mar, 2023

  • 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

  • 利用外生变量和机器学习算法进行短期股票价格预测

    追溯2020年3月至2022年5月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现XGBoost模型虽然运行时间较长（最多10秒），但提供了最高的准确性。

    May, 2023

  • 各种机器学习模型频繁交易效应分析

    该研究旨在开发一种先进的高频交易算法，并比较三种不同的数学模型的性能：交叉熵损失函数和拟牛顿算法的组合、FCNN模型和向量机。该算法利用神经网络预测生成交易信号，并基于特定条件执行买入和卖出操作，通过利用神经网络的力量提高交易策略的准确性和可靠性。该研究通过评估三种数学模型的性能来评估算法的有效性，并通过比较这三种模型的性能，旨在确定高频交易的最有效方法。该研究通过引入一种新的对高频交易的方法，为投资者提供了一种更准确可靠的股票交易策略。

    Sep, 2023

  • 通过自动整合市场指标优化销售预测

    通过整合宏观经济时间序列和不同的特征选择方法，本研究探索数据驱动技术在改善顾客需求预测中的潜力。将不断自动识别的适当时间序列应用于工业合作伙伴的销售数据，并发现通过整合外部信息能够显著提升预测能力，尤其是使用前向特征选择技术能够自动化、无需专业知识和手动选择的方式提高预测准确性。在比较 SARIMAX 和 Neural Prophet 预测模型的误差分析中，未观察到任何模型显著优于另一个的情况。

    May, 2024

  • 金融数据预测的迁移学习：系统综述

    本研究解决了金融时间序列数据在股票价格预测中的挑战，传统统计方法不适用的问题。论文提出了迁移学习作为一种有效的方法论，能够提升金融预测能力。通过系统综述，研究显示迁移学习在股票市场预测中的应用潜力和未来发展的挑战。

    Sep, 2024