危机警报:使用机器学习方法预测股市危机事件
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
该研究通过使用简单的 RNN 等多种循环神经网络(RNN)结构与经典算法进行比较,评估其在构建 ASEAN-5 股票市场中用于早期崩盘检测的分类模型方面的性能。研究使用不平衡数据进行分析,该类数据很常见,因为市场崩盘的发生是罕见的。研究分析了 2010 年至 2023 年期间东盟五国主要股票市场的日常数据,包括印度尼西亚、马来西亚、新加坡、泰国和菲律宾。以股票价格指数低于 5%、2.5% 和 1% 的风险值为阈值时,将其定义为市场崩盘的目标变量。预测变量包括主要本地和全球市场以及大宗商品市场的技术指标。本研究包括 213 个具有各自滞后期(5、10、15、22、50、200)的预测变量,并使用时间步长 7,将预测变量的总数扩大到 1491。通过 SMOTE-ENN 解决了数据不平衡的挑战。结果表明,所有基于 RNN 的结构均优于随机森林和 XGBoost。在各种 RNN 结构中,由于数据特征不过于复杂且更关注短期信息,简单的 RNN 表现出色。该研究通过包含不同地理区域和时间段以及方法上的调整,增强了和扩展了以往研究观察到的现象范围。
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
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
这篇研究论文对近年来基于深度学习模型的股票市场预测的研究进行了综述,分析并分类了不同数据源、神经网络结构、常用评估指标以及实现和可重现性,并提出了未来的研究方向,旨在帮助研究人员了解最新进展和重现以前的研究作为基线。
Feb, 2020
本研究利用机器学习方法研究了危机管理,通过自动化手段收集和评估历史或近实时数据集中检测到的模式,分析选定的科学文献,分析人类在危机中的行为,结果表明社交媒体数据是被广泛使用的数据来源,监督学习方法是一种优秀的方法,分类技术在使用中显著,支持向量机、神经网络、朴素贝叶斯和随机森林是主要的算法。
Feb, 2023