摘要

在深度学习的所有应用场景中，股价预测也无疑是其中一个异常诱人的场景。随着传统线性模型的潜力逐渐枯竭，非线性模型逐渐成为量化交易的主要探索方向，深度学习对非线性关系良好的拟合能力让其在量化交易中面临着广阔的应用前景。但与常规的回归预测任务不同的是，股价预测问题有其独特性，存在时间序列、噪声高、过拟合等问题。当前对于深度学习在股票交易中的研究主要侧重在因子挖掘、图神经网络与知识图谱、新闻与社交媒体等非结构化数据的利用、以及时序模型改进四个方面。我们会在文章中依次探讨近5年顶会上对这四个方向的研究。

本文主要介绍MSRA在KDD 2019上发表的两篇文章，这两篇文章主要关注深度学习在

旧版声明

本文为旧版实现，仅供学习参考。

https://bigquant.com/wiki/doc/demos-ecdRvuM1TU

策略案例

https://bigquant.com/experimentshare/c13d6baefe5d4c75bb87eea9364b0f75

\

作者：

• Yiluan Xing (Indiana University Bloomington)、Chao Yan (Northeastern University)、Cathy Chang Xie (Baylor University)

摘要：

• 研究目标：评估四种不同模型（ARIMA、MLP、LSTM、ARIMA-GARCH）在预测NVIDIA下一天股价的有效性。
• 数据来源：使用Yahoo Finance的API，数据时间范围为2019年4月12日至2024年4月11日。
• 主要发现：ARIMA-GARCH模型在预测NVI

导语

本文是对于medium上Boris博主的一篇文章的学习笔记，这篇文章中利用了生成对抗性网络（GAN）预测股票价格的变动，其中长短期记忆网络LSTM是生成器，卷积神经网络CNN是鉴别器，使用贝叶斯优化（以及高斯过程）和深度强化学习（DRL）优化模型中超参数。此外，文章中非常完整地实现了从特征抽取、模型建立、参数优化、实现预测的过程，其中运用了多种机器学习方法，比如BERT进行文本情绪分析、傅里叶变换提取总体趋势、autoencoder识别高级特征、XGboost实现特征重要性排序等。本文学习的思路是：GAN算法概览 – 项目思路 – 项目详解。拟在学习完成后，在Bigquant平台

机器学习已经广泛地应用在对于资产市场的分析中。但是，在浩如烟海的机器学习算法中，到底哪种算法能取得更优的预测效果呢？发表在《Applied Mathematical Finance》的这篇文章利用随机森林算法对股价d天之后的涨跌方向进行了预测。发现相比于SVM、线性判别分析等模型，随机森林可以取得更优秀的预测结果：能够达到85%-95%的准确率。

摘要

为了最小化预测误差，文章将预测股价的走势看做一个二分类问题（涨or跌），使用集成机器学习建模解决。文章里利用RSI（相对强弱指数）、KD随机指标、MACD等6个常用的技术指标作为分类的特征，对随机森林模型进行训练。最后发现，模型中

更新

本文内容已经过期，不再适合平台最新版本，请查看如下最新内容：

https://bigquant.com/wiki/doc/50-hLj86UY4ob

在《量化研究每周精选-20170822》看到了一篇文章[《50行代码预测股

在《量化研究每周精选-20170822》看到了一篇文章《50行代码预测股价》，虽然原文有实现代码，但是是国外市场

\

根据【模板策略】LSTM+CNN深度学习预测股价案例没有成交？

https://bigquant.com/wiki/doc/shendu-gujia-4teFqoC7MV

或

https://bigquant.com/community/t/topic/194980

https://bigquant.com/experimentshare/52d3c0772a2d4ef9bb5950c7c6646170

\

引言

机器学习在股价预测中展现出明显的优势，国内外学者在这一领域已经进行了大量的研究。本文首先运用六种机器学习算法与基准RW模型和现有五种模型进行对比，对比结果发现机器学习模型，尤其是非线性机器学习模型具有较好对预测精确性。其次，考虑到基于基本面分析的股价预测方法可以实现对中长期股票的预测，本文分析了基本面量化投资在长期股票预测中的应用与模型性能对比。最后，本文将基本面量化投资应用于我国A股市场进行适用性分析和模型绩效分析。

机器学习模型预测有效性的验证

模型架构

主要采用六种机器学习模型，包括三种线性机器学习和三种非线性机器学习模型。

• **线