Aug, 2024

深度学习模型在股票市场趋势预测中的评估

HTML
PDF
TL;DR本研究解决了股票市场趋势预测中的非线性和随机性挑战，通过评估多种先进的深度学习模型，包括新提出的xLSTM-TS模型，探讨了其在短期趋势预测中的有效性。研究发现，xLSTM-TS模型在预测股票价格方向方面表现优越，测试准确率达到72.82%，为市场预测中的机器学习应用提供了重要的见解。
发现论文，激发创造
  • 金融时间序列波动性预测中深度序列模型的基准测试

    本文探讨了通过利用深度学习的结构，对股价波动进行建模的可行性，并针对2018天中的1314个股票序列，通过负对数似然度量对现实世界的股票时间序列的实验进行比较，结果表明，与GARCH家族的各种常用确定性模型和最近提出的几个随机模型相比，包括扩展CNN和扩展循环神经网络等扩展神经模型产生了最准确的估计和预测

    Nov, 2018

  • 深度学习在股市预测中的应用：最近进展

    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

  • 基于时间序列分析的股票价格预测：机器学习和深度学习模型

    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CNN和LSTM的深度学习模型 robust 分析股票价格时序

    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

  • 股票运动预测中多种动力学和内部动力学的高效集成

    本研究提出了一个用于预测股票走势的框架，利用 DNN 技术实现了逐股票的内部动态与不同股票间多阶相关性建模，并采用了基于小波基的超图注意力，实现了在效率与准确率上的平衡。实验结果表明，该框架在收益和稳定性方面超越了现有方法。

    Nov, 2022

  • 使用CNN和Transformer进行金融时间序列预测

    本文提出了通过使用卷积神经网络和Transformers来捕捉时间序列中的短期和长期依赖，并用于预测股票价格变化，与传统的统计和深度学习方法相比，实验结果表明该方法取得了成功。

    Apr, 2023

  • 使用CNN-LSTM神经网络模型预测股市时间序列数据

    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

  • 股市价格预测：基于混合 LSTM 和连续自注意力的方法

    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

  • 利用深度学习和统计模型进行股票预测研究

    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

  • 增强金融数据可视化以便于投资决策

    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