股票价格预测
股票价格预测是金融领域的核心挑战之一，它试图通过分析历史数据、市场趋势、以及宏观经济因素等方法来预测未来股价的动向。这项任务极具复杂性，因为股票价格受到众多不可预测因素的影响，包括公司业绩、行业政策、投资者情绪甚至全球事件等。 为了进行股票价格预测，投资者和分析师通常依赖于各种金融工具和模型，如基本面分析和技术分析。基本面分析主要关注公司的财务报表、市场地位和行业前景等因素，以评估股票的内在价值。而技术分析则侧重于通过研究过去的股票价格和交易量数据来识别潜在的未来趋势。 近年来，随着大数据和机器学习技术的发展，许多先进的数据驱动模型，如深度学习神经网络和支持向量机等，也被广泛应用于股票价格预测。这些方法能够从海量的历史数据中提取有用的信息，并通过学习历史模式来预测未来的股票价格。 尽管如此，预测股票价格仍然是一项具有不确定性的任务，没有一种方法可以保证百分之百的准确性。因此，投资者在进行决策时应结合多种分析方法和工具，同时考虑风险承受能力和投资目标，以制定更加合理和稳健的投资策略。
监督式机器学习算法的应用：择时
旧版声明
本文为旧版实现，仅供学习参考。
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
\
导语
《Machine Learning for Stock Price Forecasting》是Ali El-Shayeb撰写的机器学习系列文章 ，本文主要介绍其第二部分内容——《监督式机器学习算法的应用》，并将其思想和代码应用在中国股票市场，开发出具有择时功能的监督式机器学习算法，最后进行策略回测。对此感兴趣的小伙伴可以直接在
更新时间：2024-06-12 05:57
算法交易的主要类型与策略分析
前言
算法交易起源于上世纪中叶的配对交易
历史上最早使用算法交易的例子可以追溯到1949年。对冲基金之父阿尔弗雷德·琼斯，利用空对多3：7的比例进行配对交易，在1955年到1964年间，综合回报率高达28%。到了上世纪60年代早期，投资者开始利用计算机通过分析股票的周线和月线来预测价格运动方向。
配对交易逐渐成熟，发展成后来的算法交易。随后算法交易策略慢慢在华尔街流传开来并被广泛使用，同时也带来了非常可观的盈利。原来在摩根士丹利从事配对交易的研究员，后来逐渐成为如大卫·肖、詹姆斯·西蒙斯这类明星基金经理手下的精英，算法交易的“黑盒子”便由此诞生。
随着计算机的广泛普及，华尔街各大
更新时间：2024-05-20 02:09
基于LSTM的股票价格预测模型
导语
本文介绍了LSTM的相关内容和在股票价格预测上的应用。
LSTM的股票价格预测
LSTM(Long Short Term Memory)是一种 特殊的RNN类型，同其他的RNNs相比可以更加方便地学习长期依赖关系，因此有很多人试图将其应用于 时间序列的预测问题 上。
汇丰银行全球资产管理开发副总裁Jakob Aungiers在他的个人网站上比较详细地介绍了LSTM在Time Series Prediction上的运用（[http://www.jakob-aungiers.com/articles/a/LSTM-Neural-Network-
更新时间：2024-05-20 02:09
使用深度学习技术预测股票价格
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间：2024-05-17 10:28
利用深度学习技术预测股票价格
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间：2024-05-17 10:28
【历史文档】策略示例-StockRanker模型结果解读
更新
本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明
新版量化开发IDE（AIStudio）：
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略：
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平
更新时间：2024-05-16 01:58
通过LSTM-CNN模型，用相同数据的不同表示形式预测股价
摘要
作者：Taewook Kim, HaYoung Kim
出处：PLOS ONE, 2019-02
预测股票价格在制定交易策略或选择买卖股票的适当时机中起着重要作用。作者提出了融合长短期记忆-卷积神经网络（LSTM-CNN）模型，该模型结合了从相同数据的不同表示形式（即股票时间序列和股票图表图像）中的特征，以预测股票价格。所提出的模型由LSTM和CNN组成，用于提取时间特征和图像特征。作者使用SPDR S＆P 500 ETF数据来衡量所提出模型相对于单个模型（CNN和LSTM）的性能。LSTM-CNN模型在预测股票价格方面优于单个模型。此外，作者发现蜡烛图是用于预测股票价格的最
更新时间：2022-11-02 09:07
利用统计和机器学习技术进行股票价格预测
摘要
作者：Srinivas Gumparthi博士，Venkata Vara Prasad博士 来源：SSRN 发布：2022.08.31
目的
股票价格预测一直作为一门研究课题，因为它在国家宏观经济中具有重要的作用。很难用一组特定的公式写下股票的未来价值。当我们预测一只股票的未来价格时，许多因素都会出现。其中最重要的是历史价格和成交量数据。
方法
随着机器学习的兴起，人们提出了多种预测股票价格的方法。目前，已开发了RNN、LSTM、CNN滑动窗口等各种模型，但都不够精确。这项工作的兴趣在于预测股票的价格，以及比较使用两种算法，即Kalmam Filt
更新时间：2022-09-19 05:47
用k-近邻回归算法实现A股股票选股
更新时间：2021-11-30 02:54
基于分层多尺度的高斯Transformer
原标题：Hierarchical Multi-Scale Gaussian Transformer for Stock Movement Prediction
时间：2020年
作者：
摘要
由于金融市场的不确定性，预测股票等金融证券的价格走势是一项重要而具有挑战性的任务。本文提出了一种新的基于Transformer的股票移动预测方法。此外，我们还对提出的基本Transformer进行了一些增强。首先，提出了一种多尺度高斯先验增强Transformer局部性的方法。其次，我们提出了一种正交正则化方法，以避免在多头自注意机制中学习多余头。然后，我们设计了一个用于Transfo
更新时间：2021-11-02 07:03