一种新的决策集成框架:用于股票价格预测的定制化注意力 - BiLSTM 和 XGBoost
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
该研究介绍了一种新的深度神经网络架构并提出了一种新的方法来准备金融数据以便于它们被馈入该模型,以预测股票和加密货币市场的价格波动。研究表明,该框架可以提供有利可图和稳健的预测,并引入一个交易策略来利用训练模型的输出。
May, 2022
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
本文提出了一种多模态预测模型,利用 Twitter 社交媒体以及其他相关资产价格和技术指标等预测比特币价格波动,最终构建一个能够准确预测市场运动的模型,提出了一种基于模型预测的交易策略,与传统策略相比风险更低,可用于实际交易。
May, 2022
提出了一种名为 LSTM-SSAM 的新模型,通过对历史价格趋势和季节性的分析,实现了对股票价格的未来预测,并通过实验证明了该模型的有效性和可行性。
Aug, 2023
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
基于在线论坛中提取的投资者情绪,借助先进的深度学习技术实现股价预测,通过将 XLNET 模型与股票技术指标相结合,本研究提出一种新型混合深度学习框架,有效地预测股票价格。
May, 2024
比特币价格的预测引起了在金融市场和投资策略上的关注,本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验,我们发现线性回归模型在候选模型中表现最好。对于模型的解释性,我们对时间序列统计的预处理技术进行系统概述,包括分解、自相关函数、指数三重预测等,旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注,激发更多的研究。
Dec, 2023
在消费借贷领域,准确的信贷违约预测是风险缓解和借贷决策优化的关键要素,本研究通过引入创新方法挑战传统模型,构建了一个由 LightGBM、XGBoost 和 LocalEnsemble 模块组成的集成方法框架,通过利用独特的特征集直接解决了之前研究中的局限性,旨在为信贷违约预测准确性建立新的标准,实验证明了集成模型在数据集上的有效性,为推动信贷违约预测模型的准确性和稳健性树立了先例。
Feb, 2024
本文基于长短时记忆网络 (LSTM) 和梯度提升树 (XGB) 对电子病历数据进行特征学习和预测,我们利用 LSTM 对长期依赖进行建模,将这些特征加入到 XGB 模型中,使其获得显著提高的性能。
Jan, 2018