本研究提出了一种名为VHVM的端到端神经网络体系结构，能够对多元金融时间序列中的异方差行为进行建模，并在多元外汇数据集上展示了其对比GARCH和SV模型的有效性。

Apr, 2022

使用深层次变分自动编码器（VAE）和扩散概率技术，结合随机生成过程来进行序列预测，解决多步股票价格预测的问题，通过形成投资组合评估模型输出的有效性和处理不同类型预测不确定性的重要性。

Aug, 2023

本论文提出了一种创新的自适应混合模型，利用了改进的变分模态分解（VMD）、特征工程（FE）和集成了自适应损失函数的堆叠式Informer的能力，该模型被命名为VMGCformer。通过严格的实验，该模型在处理复杂的股票市场数据动态和波动性方面表现出显著的熟练度。来自多个基准数据集的实验结果凸显了该模型在预测准确性、响应性和泛化能力方面相对于传统和其他混合模型的优越性。该研究进一步突出了优化的潜在途径，并介绍了改进预测建模的未来发展方向，特别是针对小企业和特征工程。

Oct, 2023

利用VMD-LSTM-GARCH模型，将时间序列分解为子模式，并从这些子模式中提取波动率信息，然后利用长期短期记忆网络对每个子模式进行预测，最后将所有子模式的预测结果进行聚合，通过集成计量经济学和人工智能方法，考虑时间序列的数字和波动率信息，该模型在时间序列预测中具有优越的性能。

Oct, 2023

这项研究提出了名为TimeSQL的简单而有效的框架，它利用多尺度拼接和平滑二次损失来解决时间序列的预测问题，其模块能够提供新的最先进性能，并增强其他多元时间序列预测模型的结果。

Nov, 2023

我们提出了一种通用去噪扩散概率模型的方法，用于股票市场预测和投资组合管理。我们展示了去噪扩散概率模型在处理不确定性方面的有效性，并利用模型在时间序列预测中模拟更高的不确定性。此外，我们还提供了一种新颖的确定性架构 MaTCHS，利用蒙版关系转换网络来利用股票之间的关系。我们展示了该模型在预测市场动向和投资组合管理方面的最新性能。

Mar, 2024

我们提出了一种新颖的基于MLP的自适应多尺度分解 (AMD) 框架用于时间序列预测，该框架在多个尺度上将时间序列分解为不同的时间模式，并利用多尺度分解混合 (MDM) 模块将这些模式进行拆分和聚合，通过双重依赖交互 (DDI) 模块和自适应多预测合成 (AMS) 模块有效地建模时间和通道依赖性，并利用自相关性来提炼多尺度数据集成。全面的实验表明，我们的AMD框架不仅克服了现有方法的局限性，而且在各种数据集上的长期和短期预测任务中始终取得了最先进的性能，展示了出色的效率。

Jun, 2024

通过提出一种名为MSGCA的新型架构，能够处理股票预测中的多模态数据，实现多模态融合和稳定性，取得了相对于其他模型的各个方面的优势。

Jun, 2024

使用条件变分编码器（CVAE）改善每日股票交易量时间序列的短期和长期预测任务，生成非线性时间序列的预测，具有更高的准确性和更接近实际数据的相关性拟合度，可用于情景生成和讨论非平稳时间序列的相关性和其他潜在扩展。

Jun, 2024

本研究针对时间序列预测中的数据波动问题，提出了一种结合变分模态分解（VMD）与线性模型的新方法，以提高预测准确性。研究表明，VMD显著降低了预测模型的均方根误差（RMSE），尤其是在单变量和多变量预测中均获得了最佳性能，展示了该方法在时间序列预测中的重要应用潜力。

Aug, 2024