本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

Jun, 2023

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

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

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

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

采用 LSTM 和 ARIMA 模型来预测两只股票的相关系数，证明了 ARIMA-LSTM 模型比其他财务模型更优秀，可以在投资组合优化中考虑使用。

Aug, 2018

提出了一种利用机器学习、深度学习和自然语言处理的混合方法来预测股票价格走势，包括对印度国家股票交易所的 NIFTY50 指数数据进行分析、使用分类技术预测股票价格走势，使用回归模型预测股票收盘价等，最终通过集成情感分析模块，用推特情感和上周收盘价来预测下周的股票价格。所提出的算法通过自组织模糊神经网络方法的交叉验证得到了有趣的结果。

Dec, 2019

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

本文研究旨在找到最佳模型利用公司预测数据和行业表现以及相应公司的情况来准确预测股权股价的短期和长期目标。

Jul, 2023