金融数据预测的迁移学习:系统综述
本文应用词嵌入技术和深度神经网络模型,利用金融新闻预测股票价格的走向,实验证明该方法简单有效,可以显著提高标准金融数据库上的股票预测准确性。
Jun, 2015
本文为对财务领域中利用深度学习模型进行时间序列预测的文献进行了全面的回顾,将研究分为根据预测实现区域(如指数、外汇、商品预测),以及基于不同DL模型选择(如CNNs,DBNs,LSTM),同时探讨了该领域未来的发展机会和挑战。
Nov, 2019
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
本文综述了近年来2020至2022年关于利用深度学习模型基于金融时序数据预测价格的研究,包括不同数据源和神经网络结构的实现细节,旨在让研究人员了解该领域最新进展,方便选择先前研究中使用的模型基线,并提供未来研究建议。
Apr, 2023
本论文提出了一种基于时间和异构图神经网络(THGNN)的方法,用于学习金融时间序列中价格变动之间的动态关系。该方法在美国和中国的股票市场上展开广泛实验,并在实际交易中实现了显著的累积组合回报。
May, 2023
本文将分析和实现一个时间序列动态神经网络以预测每日收盘股价,并通过使用神经网络来将股票价格的预测精度提高到比现有技术更高的程度,来比较和探讨当代股票分析方法,包括基本分析,技术分析和回归分析,并使用神经网络对有效市场假说进行对比,驳斥有效市场假说并支持混沌理论。最后,提出了神经网络在股票价格预测中的使用建议。
Jun, 2023
金融市场的价格波动被认为非常嘈杂,为减少风险并提高结果,我们采用了基于机器学习算法的模型集成方法,通过学习一系列模型并在测试时对数据进行修剪,预测固定期限收益。这种方法有望在更低的风险水平下获得更好的整体回报。
Oct, 2023
本文提出了一个新的转移风险概念并分析了其性质,将其应用于股票收益预测和投资组合优化问题中,数值结果表明转移风险与整体转移学习性能存在强相关性,转移风险提供了一个计算高效的方法来识别适当的源任务,包括跨大陆、跨行业和跨频率转移用于投资组合优化。
Nov, 2023
比特币价格的预测引起了在金融市场和投资策略上的关注,本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验,我们发现线性回归模型在候选模型中表现最好。对于模型的解释性,我们对时间序列统计的预处理技术进行系统概述,包括分解、自相关函数、指数三重预测等,旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注,激发更多的研究。
Dec, 2023
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。
Aug, 2024