增强金融数据可视化以便于投资决策
该研究探讨使用深度学习长短期记忆(LSTM)模型进行准确的股票价格预测及其对投资组合设计的影响,研究表明 LSTM 模型在准确预测股票价格和指导投资决策方面的有效性,并提供了对印度当前金融市场动态的有价值的见解。
May, 2024
本研究基于印度国家股票交易所(NSE)中一家著名公司自 2012 年 12 月 31 日至 2015 年 1 月 9 日间五分钟间隔的股票价格历史数据,构建了四个卷积神经网络(CNN)和五个长短时记忆(LSTM)深度学习模型,精确预测未来的股票价格,并提供了这些模型的执行时间和均方根误差(RMSE)的详细预测准确性结果。
Nov, 2020
本文介绍了一种使用 CNN-LSTM 神经网络的股票市场预测模型,通过将股票数据转换为张量,识别特征并预测在给定时间段内的股票市场变化,实验结果表明该模型具有较高的准确性。
May, 2023
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
本文使用两种不同的输入方法设计了一种 LSTM 模型,以预测印度两家公司 Reliance Industries 和 Infosys Ltd 的短期股价。结果表明,使用技术指标的 Multivariate LSTM 模型可以更准确地预测未来的股价行为。
May, 2022
本研究提出一种基于混合建模的新方法,使用机器学习和深度学习模型对印度 NSE 国家股票交易所 NIFTY 50 指数进行了股票价格预测,使用一周前的数据作为输入的基于 LSTM 的单变量模型在各种度量标准上表现最好。
Sep, 2020
使用基于数据驱动的长短时记忆(LSTM)循环神经网络的预测方法,展示了该方法在高维混沌系统中的定量预测效果,并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比,LSTM 在所有应用中都表现出更好的短期预测准确性,并且 MSM-LSTM 可以保证收敛到不变措施。
Feb, 2018
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
我们将循环神经网络扩展到包含几个灵活的时间尺度,这在机械上提高了它们对具有长期记忆或高度不同时间尺度进程的处理能力。通过比较普通和扩展的长短期记忆网络(LSTMs)在预测已知具有长期记忆的资产价格波动性方面的能力,我们发现扩展的 LSTMs 所需的训练时期减少了一半,而具有相同超参数的模型的验证和测试损失的变化要小得多。我们还展示了在多时间序列数据集上进行训练和测试时,验证损失最小的模型相对于粗略波动性预测的表现普遍提高了大约 20%。
Aug, 2023