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

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

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

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

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

研究商业周期对机器学习预测的影响，发现大部分衰退期间机器学习模型表现较差，建议机器学习从业者在衰退期和扩张期中评估其模型。

Apr, 2023

预测股票价格是一个具有挑战性的研究问题，由于股市的固有波动性和非线性特性。最近，知识增强的股票价格预测方法通过利用外部知识来理解股市，取得了突破性的成果。尽管这些方法的重要性，但从外部知识类型的角度系统地综合以前的研究工作还是相对稀缺。具体而言，外部知识可以建模为不同的数据结构，我们将其分为非图形化格式和图形化格式：1）非图形化知识捕获与个别股票具体相关的上下文信息和多媒体描述；2）图形化知识捕获股票市场中相互关联和相互依赖的信息。本综述旨在系统全面地描述从各种非结构化数据源中获取外部知识并将其纳入股票价格预测模型的方法。我们还探索了将外部知识与历史价格特征相结合的融合方法。此外，该论文编制了相关数据集的汇编，并深入探讨了该领域的潜在未来研究方向。

Aug, 2023

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

通过利用社交媒体数据和宏观经济指标来精确预测股市，这篇论文介绍了一种新的方法，该方法包括有效提取和解码推文数据的高效推文过滤器，以及在语义空间中识别股票、行业和宏观经济因素之间多层次关系的自我感知机制，进而利用股票价格波动实现提高准确性。

Dec, 2023

该研究通过结合机器学习技术和因果推断，考察了宏观经济政策对金融市场的影响。重点关注美联储调整利率对固定收益和股权基金回报的影响，并对主动和被动管理的基金进行了区分。结果显示，梯度提升是预测基金回报的有用工具，例如，利率上升1％导致主动管理基金回报下降-11.97％。这一对利率和基金表现之间的关系的理解为进一步研究提供了机会，并为基金经理和投资者提供了富有洞察力和数据驱动的建议。

Mar, 2024