使用循环神经网络进行收益预测
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
本文通过详实的实证研究和开源软件框架介绍了现有基于循环神经网络的预测模型,提出了针对这些模型使用的最佳实践和指导方针。研究发现,当数据集的时间序列具有同质季节模式时,RNN 能够直接模拟季节性;否则,建议事先对数据进行季节性去趋势处理。通过与 ETS 和 ARIMA 模型的比较,研究表明,实现了(半)自动化的 RNN 模型在许多情况下是可以竞争使用的。
Sep, 2019
提供新的金融和宏观经济比率以及监督学习模型(ML 回归器和神经网络)和贝叶斯模型预测公司绩效,并发现这些新的变量与行业标准比率结合使用可以提高模型准确性。Feedforward 神经网络(FNN)在 6 个预测任务中(ROA、ROE、净利润率、经营利润率、现金比率和经营现金生成)中实施更简单且表现最好,并且贝叶斯网络(BN)在特定条件下可以胜过 FNN,并且 BN 还能提供概率密度函数以及预测的价值。该研究对于 CFO 和 CEO 评估财务不佳的风险以引导公司朝更有利可图的方向发展,支持债权人更好评估公司情况,并为投资者提供更准确地分析上市公司财务报表的工具具有重要的潜力。
Sep, 2023
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
该研究提出了一种神经网络模型,用于准确预测电子商务中的购物意愿,并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题,同时,多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联,取得了 98%与先进技术相当、甚至超过先进技术的分类准确率,无需进行特定领域或数据集相关的特征工程。
Jul, 2018
构建自动系统 FinReport,基于财经新闻公告和多因子模型,用于帮助普通投资者收集信息、分析,并生成报告;包括新闻因子化模块、回报预测模块和风险评估模块,通过真实数据集的广泛实验,验证了其有效性和可解释性。
Mar, 2024
利用深度学习技术和 Corporación Favorita 数据集,我们提出三种替代方案来解决具体的需求预测问题,设计了一种简单的序列到序列的体系结构以及在此基础上的训练技巧,达到了约 0.54 的 RMSLE 的好性能。
Apr, 2022
本文将分析和实现一个时间序列动态神经网络以预测每日收盘股价,并通过使用神经网络来将股票价格的预测精度提高到比现有技术更高的程度,来比较和探讨当代股票分析方法,包括基本分析,技术分析和回归分析,并使用神经网络对有效市场假说进行对比,驳斥有效市场假说并支持混沌理论。最后,提出了神经网络在股票价格预测中的使用建议。
Jun, 2023