本文研究通过在线机器学习的技术，建立了一个“股票预测问题”的模型，探讨了投资者和市场策略，并使用最优控制、图论和偏微分方程的方法确定了使用两个与历史相关的专家的股票行情预测的性能上下界。

Jul, 2020

DeepTrust是一种利用Twitter提供可靠的金融知识检索框架，包含三个模块：异常检测、信息检索和可靠性评估，并使用最先进的NLP技术确保数据的准确性。该框架以历史定价数据为基础，使用机器学习模型识别异常资产价格变化，并使用增强的动态搜索条件从Twitter检索相关的非结构化数据。通过追踪生成语言模型、论证结构、主观性和情感信号的信息可靠性来确保有效的市场洞察。该框架被证明能够精确地筛选不可靠信息，可以作为根据社交媒体平台认证的知识帮助交易员实时达成关于价格异常的投资决策。

Mar, 2022

本文探究了基于时间延迟的因果分析和皮尔逊相关性在金融市场预测中的应用。作者提出了一种适用于金融市场的时间序列数据的实用方法，并使用不同类型的金融和社交媒体数据进行了实验测试。结果显示该方法可以判别不同实时市场数据之间的因果关系，同时讨论了目前工作中存在的问题和可能的方向。

Apr, 2022

本研究通过时间序列分析和自然语言处理，评估了利用 Twitter 情感进行预测特斯拉、苹果等主要公司股票价格的可行性，结果表明积极性、消极性和主观性是股票价格波动的主要决定因素。该研究强调了将公众意见纳入股票价格预测的重要性，同时指出利用 Twitter 情感可以作为预测股票价格的有效工具，应纳入投资策略制定。

Aug, 2023

该论文提出了一种新颖的方法来对冒险资产组合进行对冲，当金融市场受到金融动荡的影响时。我们引入了一种完全新颖的方法，通过基于这些资产价格的集合算法投资策略（AIS）的层面而不是单个资产的层面，来进行多样化活动。我们采用四种不同的理论模型（LSTM - 长短期记忆，ARIMA-GARCH - 自回归移动平均 - 广义自回归条件异方差，动量和逆势）来生成价格预测，然后将其用于产生单个和复杂的AIS投资信号。通过这种方式，我们能够验证由各种资产（能源商品、贵金属、加密货币或软商品）组成的不同类型的投资策略在对冲组成的用于股票指数（标普500指数）的集合AIS中的多样化潜力。本研究使用的实证数据涵盖了2004年至2022年的时期。我们的主要结论是基于LSTM的策略优于其他模型，并且对于为标普500指数构建的AIS来说，最好的多样化方法是为比特币构建的AIS。最后，我们对LSTM模型在更高频率的数据（1小时）进行了测试。我们得出结论，它的表现优于使用日常数据获得的结果。

Sep, 2023

应用深度学习和强化学习结合，利用订单流量失衡进行多时间段预测收益的研究，为五种金融工具提供交易信号，并通过回测模拟和前期测试在零售交易平台验证了模型的潜力，但还需要进一步修改以应对零售交易成本、滑点和点差的波动。

Oct, 2023

本研究使用高斯过程（GPs）探索了对具有基本结构的均值回归时间序列进行预测的应用，使用相对未开发的函数和增强数据结构。通过模拟数据，我们可以将预测分布与测试集的实际分布进行比较，从而减少对实际数据进行时间序列模型测试时固有的不确定性。

Feb, 2024

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

利用机器学习模型，我们研究金融市场动态与高频交易活动之间的非线性相互作用，并引入新的指标来识别需求和供应流动性的高频交易策略。这些策略在信息事件发生时增加交易活动，在交易速度受限时降低交易活动，其中供应流动性策略表现出更高的反应性。需求流动性的高频交易与延迟套利机会呈正相关，而供应流动性的高频交易呈负相关，与理论预期一致。我们的指标对于理解金融市场中的信息生产过程具有重要意义。

May, 2024

本文解决了金融时间序列中信噪比低的问题，提出了一种利用扩散模型进行去噪的新方法。该方法通过逐步添加和去除噪声，重构原始数据，并实验证明去噪后的时间序列在未来收益分类任务中显著提高了性能，且交易信号能够带来更高收益和更低的交易成本。

Sep, 2024