提出了一种名为 LSTM-SSAM 的新模型，通过对历史价格趋势和季节性的分析，实现了对股票价格的未来预测，并通过实验证明了该模型的有效性和可行性。

Aug, 2023

通过引入自注意力的神经网络结构，本研究提出了第一个成功利用现代神经网络概念的选择模型，理论和实践都证明了该模型相对于现有模型在实际数据上更具优势。

Nov, 2023

使用神经网络及其他机器学习技术可以用历史数据更准确地估算欧式期权价格，其中 Google Cloud 的 AutoML Regressor、TensorFlow 神经网络和 XGBoost 梯度提升决策树的效果均超过了传统的 Black Scholes 模型。

Jul, 2023

采用深度学习神经网络和 GARCH 时间序列模型的混合方法来预测金融工具的波动性和风险，研究发现混合模型能够提供更准确的点波动率预测，但不一定能转化为优越的风险预测。

Oct, 2023

利用深度学习架构，研究了股票价格预测中的门控循环神经网络、超参数优化和 TPE-LSTM 模型，结果显示 TPE-LSTM 模型在预测股票指数价格方面具有最低的 MAPE 误差。

Jun, 2024

本文提出使用机器学习算法和超级预测者的预测来增强投资决策的价格预测模型。通过构建五个机器学习模型，包括双向 LSTM、ARIMA、CNN 和 LSTM 的组合、GRU，以及使用 LSTM 和 GRU 算法构建的模型，利用平均绝对误差评估这些模型的预测准确性。此外，研究建议通过识别超级预测者并跟踪其预测来预测股价的不可预测的变化，从而进一步提高机器学习和自然语言处理技术的股价预测准确性。

Jul, 2024

本文考虑了通过监督学习来学习期权价格或隐含波动率的问题，并发现在所选择的网络体系结构方面使用广义高速公路网络的精度比其它变体高，对于计算隐含波动率，采用变换后的 DGM 架构是最优的。

Jul, 2023

最近，通过学习动态金融市场中的空间和时间信息，采用深度学习或强化学习方法对投资组合进行优化。然而，在大多数情况下，现有的方法可能会根据传统价格数据产生偏斜的交易信号，由于大量市场噪音，这可能导致投资回报和风险无法平衡。因此，本文提出了一种多智能体和自适应投资组合优化框架，集成了注意机制和时间序列，即 MASAAT，其中创建了多个交易智能体以观察和分析价格序列和方向变化数据，以识别不同粒度级别上资产价格的显著变化，从而增强价格序列的信号噪声比。通过重构金融数据的令牌序列，每个智能体的基于注意力的横截面分析模块和时间分析模块可以有效捕捉资产之间的相关性和时间点之间的依赖关系。此外，将投资组合生成器集成到所提出的框架中，以融合空间 - temporal 信息，然后总结所有交易智能体建议的投资组合，生成新的合奏投资组合，以减少偏斜的交易行为，并平衡整体回报和风险。实验结果清楚地表明，与许多知名的投资组合优化方法相比，MASAAT 框架在 DJIA、S&P 500 和 CSI 300 三个具有挑战性的数据集上取得了令人印象深刻的增强效果。更重要的是，我们的提案在未来的研究中具有许多潜在优势应用。

Apr, 2024

本文通过 Gated Recurrent Unit 对 2013 年京都大学蜜罐系统的网络流量数据进行二进制分类，将线性支持向量机替换为 GRU 模型最终输出层的 Softmax 函数， cross-entropy 函数也将替换为基于边缘的函数，结果显示 GRU - SVM 模型的性能相对较高，并且 SVM 在预测时间上优于 Softmax。

Sep, 2017

该论文概述了最近在定价和对冲金融工具方面强化学习的最新进展，重点详细解释了 Halperin（2017）引入的 Q-Learning Black Scholes 方法，该方法将传统的 Black and Scholes（1973）模型与新颖的人工智能算法相结合，实现了完全无模型、数据驱动的期权定价和对冲。该论文还探讨了该算法在不同状态变量和欧式看跌期权场景下的表现。结果显示，该模型在不同波动率水平和对冲频率下是准确的估计器。此外，该方法在各种看跌期权价内外都表现出稳健的性能。最后，该算法考虑了比例交易成本，表明不同状态变量的统计特性对盈亏产生了不同的影响。

Oct, 2023