作為一直以來的燙門，股票預(yù)測因其非線性、高度波動性和復(fù)雜性等原因，成為了金融量化領(lǐng)域的一大難題。以往的解決方案主要圍繞機器學(xué)習(xí)展開，如今，基于深度學(xué)習(xí)的股票預(yù)測方法有了許多新的突破。

為了幫助大家更深入地了解股票預(yù)測，輕松獲取新的idea，這次學(xué)姐給大家推薦9篇股票預(yù)測相關(guān)的高引論文，每篇都是經(jīng)典必讀，有頂會需求的同學(xué)建議收藏細(xì)品。

掃碼添加小享，回復(fù)“股票預(yù)測”

免費領(lǐng)取全部論文資料

1.Modeling and forecasting realized volatility

模型化和預(yù)測實際波動率

被引4652次

推薦理由：本文提出了一個整合高頻日內(nèi)數(shù)據(jù)進行日度和更低頻率波動率與收益率分布測量與預(yù)測的通用框架?；诶碚搶?dǎo)出了實際波動率與協(xié)方差矩陣的關(guān)系，并通過對匯率數(shù)據(jù)的實證研究發(fā)現(xiàn)，利用高頻數(shù)據(jù)構(gòu)建的實際波動率進行矢量自回歸建?？梢赃M行準(zhǔn)確的波動率預(yù)測和收益率分布估計，這種方法對資產(chǎn)定價和風(fēng)險管理應(yīng)用具有實際價值。

2.A simple approximate long-memory model of realized volat

一個簡單的近似長記憶模型來實現(xiàn)波動

被引2814次

推薦理由：本文提出了一個新的實現(xiàn)波動率模型HAR-RV，它直接建模和預(yù)測波動率時間序列，旨在獲得一個基于實現(xiàn)波動率的條件波動率模型，能夠復(fù)現(xiàn)數(shù)據(jù)中的記憶持久性，同時保持簡潔和易于估計。該模型考慮了不同時間范圍內(nèi)的實現(xiàn)波動率，盡管結(jié)構(gòu)簡單，但模擬結(jié)果顯示它可以以簡單和簡約的方式成功地復(fù)現(xiàn)金融數(shù)據(jù)的主要經(jīng)驗特征。

3.Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models

預(yù)測股票價格指數(shù)的波動率：集成LSTM與多種GARCH類模型的混合模型

被引590次

推薦理由：本文提出了一種將LSTM模型與多種GARCH模型相結(jié)合的混合LSTM模型，用于預(yù)測股票價格指數(shù)的波動率。實驗結(jié)果表明，該模型能夠結(jié)合LSTM的時間序列模式學(xué)習(xí)優(yōu)勢與GARCH模型的計量經(jīng)濟建模優(yōu)勢，相比單獨的LSTM、GARCH或先前文獻的混合模型，該模型的預(yù)測誤差顯著減小，尤其在危機時期的異常波動預(yù)測效果更佳。因此，該混合LSTM模型為高頻金融時間序列的波動率預(yù)測提供了一個有效的新方法。

4.Text-based crude oil price forecasting: A deep learning approach

基于文本的原油價格預(yù)測：一種深度學(xué)習(xí)方法

被引188次

推薦理由：本研究利用深度學(xué)習(xí)CNN從在線新聞文本中提取特征，結(jié)合LDA話題模型進行特征分組，提出了一種新的基于文本的原油價格預(yù)測方法，經(jīng)驗證表明，與早期基準(zhǔn)模型相比，該話題-情感綜合預(yù)測模型可以產(chǎn)生更精確的原油價格預(yù)測，文本特征與金融特征在預(yù)測中是互補的。

5.On the forecasting of high-frequency financial time series based on ARIMA model improved by deep learning

基于深度學(xué)習(xí)改進的ARIMA模型在高頻金融時間序列預(yù)測中的應(yīng)用

推薦理由：本文將傳統(tǒng)ARIMA模型與深度學(xué)習(xí)LSTM模型相結(jié)合，用于高頻金融時間序列預(yù)測，既保留了ARIMA的理論基礎(chǔ)，又能利用LSTM刻畫非線性關(guān)系。實證結(jié)果表明，與單一ARIMA、SVM、LSTM模型相比，改進的ARIMA模型提高了預(yù)測準(zhǔn)確性，降低了計算復(fù)雜度，不僅豐富了時間序列預(yù)測模型，也為高頻策略設(shè)計提供了有效工具。

6.Forecasting the realized volatility of stock price index: A hybrid model integrating CEEMDAN and LSTM

股票價格指數(shù)實現(xiàn)波動率的預(yù)測：一種集成CEEMDAN和LSTM的混合模型

推薦理由：本文采用 LSTM 和 CEEMDAN 的混合模型來預(yù)測股票指數(shù)的實現(xiàn)波動率。實證結(jié)果表明，該混合模型可以顯著提高預(yù)測精度，優(yōu)于單獨的 LSTM 或 CEEMDAN 模型以及其他基準(zhǔn)模型，在新興和發(fā)達股市都獲得了最佳效果。研究表明，與 CEEMDAN 集成可以提升單模型的預(yù)測性能，該混合模型為股票市場波動率預(yù)測提供了一個有效的新方法。

掃碼添加小享，回復(fù)“股票預(yù)測”

免費領(lǐng)取全部論文資料

7.Volatility Forecasting for High-Frequency Financial Data Based on Web Search Index and Deep Learning Model

基于網(wǎng)絡(luò)搜索指數(shù)和深度學(xué)習(xí)模型的高頻金融數(shù)據(jù)波動率預(yù)測

推薦理由：本文構(gòu)建了基于百度搜索指數(shù)的投資者關(guān)注因子，與其他交易信息一起作為深度學(xué)習(xí)TCN模型輸入，用于高頻金融數(shù)據(jù)的波動率預(yù)測。結(jié)果表明，包含投資者關(guān)注因子的TCN模型預(yù)測準(zhǔn)確度優(yōu)于其他模型，且多步預(yù)測穩(wěn)健，為大數(shù)據(jù)下的波動率預(yù)測提供了更準(zhǔn)確可靠的方法，豐富了預(yù)測指數(shù)體系。

8.Crude oil price forecasting incorporating news text

結(jié)合新聞文本的原油價格預(yù)測

推薦理由：本文針對稀疏短文本的新聞標(biāo)題，引入了兩個新的話題和情感指標(biāo)，與傳統(tǒng)的LDA話題模型相比，能夠更全面準(zhǔn)確地刻畫短文本特征，當(dāng)與AdaBoost.RTensemble方法相結(jié)合時，在原油價格預(yù)測中獲得了SOTA的效果，且也適用于其他期貨商品預(yù)測，為文本增強的商品價格預(yù)測提供了新思路。

9.A Study on Forecast of Global Stock Indices Based on Deep LSTM Neural Network

基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測

推薦理由：本文構(gòu)建了深層LSTM神經(jīng)網(wǎng)絡(luò)，并將其應(yīng)用于全球30個股票指數(shù)的不同期限預(yù)測。結(jié)果表明，LSTM神經(jīng)網(wǎng)絡(luò)具有很強的泛化能力，預(yù)測效果穩(wěn)定。相比SVR、MLP和ARIMA模型，LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測精度更高，對各指數(shù)的平均預(yù)測精度有提升。LSTM網(wǎng)絡(luò)能夠有效控制誤差波動，各指數(shù)的平均預(yù)測穩(wěn)定度也有提高。

掃碼添加小享，回復(fù)“股票預(yù)測”

免費領(lǐng)取全部論文資料