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

本文提出了一种基于时间序列复杂网络（complex networks）和互信息（mutual information）的新方法来预测标准普尔 500 指数（S&P 500）未来的变化，并且使用这种方法可以明显提高建立 ARIMA 模型的准确性，这些发现可以为金融市场决策者提供指示，在市场发生剧烈变化之前干预市场。同时，对于量化投资者来说，这也可以提高他们的预测模型。

May, 2017

本文提出了一种基于模糊专家系统和 DS 证据理论方法的股票评估和排名技术，并应用蚁群算法进行组合优化，以在 Bombay 证券交易所的短期投资中表现良好。

Apr, 2022

使用支持向量回归（SVR）方法，结合灰狼优化（GWO）和粒子群优化（PSO）算法来预测每小时 PM2.5 浓度，得到了可靠和准确的模型，适用于类似的研究应用。

Jul, 2024

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

通过提出一种名为 MSGCA 的新型架构，能够处理股票预测中的多模态数据，实现多模态融合和稳定性，取得了相对于其他模型的各个方面的优势。

Jun, 2024

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

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

本文研究了使用量子和量子启发式机器学习算法对股票回报进行预测的应用，比较了量子神经网络和张量网络等算法与传统的线性回归和神经网络模型的表现，并基于它们的预测构建投资组合和测量了其表现。经实证研究，日本股票市场的张量网络模型在表现上优于传统的基准模型，包括线性回归和神经网络模型。尽管量子神经网络模型整个时间段内的降低风险调整超额回报高于传统的神经网络模型，但量子神经网络和张量网络模型在最新的市场环境下表现更优，这表明了模型捕捉输入特征之间非线性关系的能力。

Apr, 2023