本文提出了一种利用多模态注意力网络（multi-modality attention network）进行股票预测的方法，将社交媒体中的语义信息和历史交易记录中的数字特征相结合，通过减少冲突来提高预测准确性（61.20%）和交易利润（9.13%），从而提高了股票预测的性能和为多模态融合提供了未来研究方向。

Dec, 2021

使用深度神经模型从新闻文本中提取语义特征，应用自注意机制分配注意力，并预测标准普尔 500 指数和个人公司股价的方向性变化，表明该技术与其他最先进的方法相当竞争，证明了最新的自然语言处理技术对计算金融业的有效性。

Nov, 2018

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

本研究提出了一种双层注意力神经网络，通过知识方法提取相关的财经新闻，使用输入注意将更有影响力的新闻与日嵌入进行连接，最后采用输出注意机制以不同权重分配不同日对股价变动的贡献，在历史股票价格上进行的实证研究表明我们的方法在股票价格预测方面比现有方法更优越。

Feb, 2019

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

在复杂的金融市场中，为了使个人能够做出明智的决策，推荐系统可以起到关键作用。现有的研究主要侧重于价格预测，但即使是最复杂的模型也不能准确预测股票价格。另外，许多研究表明，大多数个体投资者不遵循已建立的投资理论，因为他们有自己的偏好。因此，股票推荐的关键是推荐应该具有良好的投资表现，同时也不应忽视个体偏好。为了开发有效的股票推荐系统，必须考虑三个关键方面：1）个体偏好，2）投资组合多样化，以及 3）股票特征和个体偏好的时间特性。因此，我们开发了一种名为 PfoTGNRec 的投资组合时间图网络推荐系统，它可以处理时变的协同信号，并结合增强对比学习来增加多样性。结果表明，与包括尖端动态嵌入模型和现有股票推荐模型在内的各种基线相比，我们的模型表现出优越的性能，既在保持捕捉个体偏好的竞争力的同时，也展现出良好的投资表现。该文的源代码和数据可在此网址获得。

Mar, 2024

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

使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务，本文将回顾多种深度学习算法，包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型，以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性，结果表明，较低的平均绝对误差（MAE）值可以更准确地预测股价。

Feb, 2024

利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

Dec, 2023

提出了一种新颖的使用空间时间转换器 - LSTM 模型的 STST 方法来预测股票涨跌，该模型在 ACL18 和 KDD17 数据集上分别获得了 63.707％和 56.879％的准确率，并用于模拟交易，获得了不低于 S＆P500 股票指数的 10.41％的最小收益率和 31.24％的最小年化收益率。

May, 2023