9篇论文速览股票预测高分经典方案

news2024/9/30 9:38:14

作为一直以来的烫门，股票预测因其非线性、高度波动性和复杂性等原因，成为了金融量化领域的一大难题。以往的解决方案主要围绕机器学习展开，如今，基于深度学习的股票预测方法有了许多新的突破。

为了帮助大家更深入地了解股票预测，轻松获取新的idea，这次我给大家推荐9篇股票预测相关的高引论文，每篇都是经典必读，有顶会需求的同学建议收藏细品。

全部论文资料文末获取

1.Modeling and forecasting realized volatility

模型化和预测实际波动率

被引4652次

推荐理由：本文提出了一个整合高频日内数据进行日度和更低频率波动率与收益率分布测量与预测的通用框架。基于理论导出了实际波动率与协方差矩阵的关系，并通过对汇率数据的实证研究发现，利用高频数据构建的实际波动率进行矢量自回归建模可以进行准确的波动率预测和收益率分布估计，这种方法对资产定价和风险管理应用具有实际价值。

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

一个简单的近似长记忆模型来实现波动

被引2814次

推荐理由：本文提出了一个新的实现波动率模型HAR-RV，它直接建模和预测波动率时间序列，旨在获得一个基于实现波动率的条件波动率模型，能够复现数据中的记忆持久性，同时保持简洁和易于估计。该模型考虑了不同时间范围内的实现波动率，尽管结构简单，但模拟结果显示它可以以简单和简约的方式成功地复现金融数据的主要经验特征。

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

预测股票价格指数的波动率：集成LSTM与多种GARCH类模型的混合模型

被引590次

推荐理由：本文提出了一种将LSTM模型与多种GARCH模型相结合的混合LSTM模型，用于预测股票价格指数的波动率。实验结果表明，该模型能够结合LSTM的时间序列模式学习优势与GARCH模型的计量经济建模优势，相比单独的LSTM、GARCH或先前文献的混合模型，该模型的预测误差显著减小，尤其在危机时期的异常波动预测效果更佳。因此，该混合LSTM模型为高频金融时间序列的波动率预测提供了一个有效的新方法。

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

基于文本的原油价格预测：一种深度学习方法

被引188次

推荐理由：本研究利用深度学习CNN从在线新闻文本中提取特征，结合LDA话题模型进行特征分组，提出了一种新的基于文本的原油价格预测方法，经验证表明，与早期基准模型相比，该话题-情感综合预测模型可以产生更精确的原油价格预测，文本特征与金融特征在预测中是互补的。

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

基于深度学习改进的ARIMA模型在高频金融时间序列预测中的应用

推荐理由：本文将传统ARIMA模型与深度学习LSTM模型相结合，用于高频金融时间序列预测，既保留了ARIMA的理论基础，又能利用LSTM刻画非线性关系。实证结果表明，与单一ARIMA、SVM、LSTM模型相比，改进的ARIMA模型提高了预测准确性，降低了计算复杂度，不仅丰富了时间序列预测模型，也为高频策略设计提供了有效工具。

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

股票价格指数实现波动率的预测：一种集成CEEMDAN和LSTM的混合模型

推荐理由：本文采用 LSTM 和 CEEMDAN 的混合模型来预测股票指数的实现波动率。实证结果表明，该混合模型可以显著提高预测精度，优于单独的 LSTM 或 CEEMDAN 模型以及其他基准模型，在新兴和发达股市都获得了最佳效果。研究表明，与 CEEMDAN 集成可以提升单模型的预测性能，该混合模型为股票市场波动率预测提供了一个有效的新方法。

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

基于网络搜索指数和深度学习模型的高频金融数据波动率预测

推荐理由：本文构建了基于百度搜索指数的投资者关注因子，与其他交易信息一起作为深度学习TCN模型输入，用于高频金融数据的波动率预测。结果表明，包含投资者关注因子的TCN模型预测准确度优于其他模型，且多步预测稳健，为大数据下的波动率预测提供了更准确可靠的方法，丰富了预测指数体系。

8.Crude oil price forecasting incorporating news text

结合新闻文本的原油价格预测

推荐理由：本文针对稀疏短文本的新闻标题，引入了两个新的话题和情感指标，与传统的LDA话题模型相比，能够更全面准确地刻画短文本特征，当与AdaBoost.RTensemble方法相结合时，在原油价格预测中获得了SOTA的效果，且也适用于其他期货商品预测，为文本增强的商品价格预测提供了新思路。

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

基于深度学习LSTM神经网络的全球股票指数预测

推荐理由：本文构建了深层LSTM神经网络，并将其应用于全球30个股票指数的不同期限预测。结果表明，LSTM神经网络具有很强的泛化能力，预测效果稳定。相比SVR、MLP和ARIMA模型，LSTM神经网络预测精度更高，对各指数的平均预测精度有提升。LSTM网络能够有效控制误差波动，各指数的平均预测稳定度也有提高。