- 利用 TPE 贝叶斯优化的门控循环神经网络提高股指预测准确性
利用深度学习架构，研究了股票价格预测中的门控循环神经网络、超参数优化和 TPE-LSTM 模型，结果显示 TPE-LSTM 模型在预测股票指数价格方面具有最低的 MAPE 误差。
- 基于社区人气增强的投资者情绪的混合深度学习预测股票价格框架
基于在线论坛中提取的投资者情绪，借助先进的深度学习技术实现股价预测，通过将 XLNET 模型与股票技术指标相结合，本研究提出一种新型混合深度学习框架，有效地预测股票价格。
- BERTopic 驱动的股市预测：揭示情感洞察
本研究探讨了自然语言处理（NLP）与金融分析的交叉领域，重点关注情感分析在股价预测中的影响。我们使用先进的 NLP 技术 BERTopic 来分析从股市评论中得出的主题的情感。我们的方法将情感分析与深度学习模型相结合，这些模型以其在时间序列 - 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。
- 股票价格预测中知识获取和整合的方法：一项调查
预测股票价格是一个具有挑战性的研究问题，由于股市的固有波动性和非线性特性。最近，知识增强的股票价格预测方法通过利用外部知识来理解股市，取得了突破性的成果。尽管这些方法的重要性，但从外部知识类型的角度系统地综合以前的研究工作还是相对稀缺。具体 - 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。
- 每日新闻情感对股票价格预测的影响
为了预测股票的未来价格，我们设计了一个高效的系统来捕捉 NITY50 股票的新闻情绪，并通过对新闻数据库和股票价格信息进行处理，使用多个 LSTM 模型来预测股票价格，并比较其表现。
- 使用动态神经网络进行股价预测
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 - 利用嵌入和标签平滑改进基于新闻文章的股价走势分类
利用深度学习的正则化和优化技术，通过嵌入和双向循环神经网络捕捉新闻文章和股票价格之间的关系，结合权重衰减、批量归一化、dropout 和标签平滑，提高了股票价格分类的准确性，实验结果表明，批量归一化和标签平滑是最有效的，平均提高了 6.0％ - GCNET：使用图卷积网络预测股票价格走势的基于图的方法
提出了一个名为 GCNET 的新框架，用于将股票之间的关系建模为影响网络，并使用一组基于历史数据的预测模型来推断子集的股票节点的合理初始标签，在部分标记的图上应用图卷积网络算法来预测每个股票在图中的下一个价格方向的变化，通过对纳斯达克指数中 - 使用 Stocktwits 数据进行文本挖掘以预测股票价格
介绍一个基于 ALBERT 算法的 FinALBERT 模型，训练数据为标记为股票价格变化的 25 个公司的 10 年的 Stocktwits 数据集，通过对传统机器学习、BERT 和 FinBERT 模型训练数据集的实验，得出该标记方法有 - MM基于机器学习和 LSTM 深度学习模型的股票价格预测
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。
- KDD关于盈利电话会议和股价走势的研究
本文提出使用深度学习框架，通过对收益电话记录进行建模，应用注意力机制将文本数据编码为向量以预测股票价格的变化，实证实验表明该模型优于传统机器学习基准，并且收益电话信息可以提升股票价格预测性能。
- 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。
- 使用深度学习和自然语言处理的股票价格预测鲁棒性预测模型
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 - 可解释的基于文本驱动的神经网络股票预测
本研究提出了一种双层注意力神经网络，通过知识方法提取相关的财经新闻，使用输入注意将更有影响力的新闻与日嵌入进行连接，最后采用输出注意机制以不同权重分配不同日对股价变动的贡献，在历史股票价格上进行的实证研究表明我们的方法在股票价格预测方面比现 - NIPS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 - 利用词向量和深度神经网络预测股价走势的金融新闻杠杆
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。