CN106845681A - 一种应用深度学习技术的股票趋势预测方法 - Google Patents
一种应用深度学习技术的股票趋势预测方法 Download PDFInfo
- Publication number
- CN106845681A CN106845681A CN201611191228.9A CN201611191228A CN106845681A CN 106845681 A CN106845681 A CN 106845681A CN 201611191228 A CN201611191228 A CN 201611191228A CN 106845681 A CN106845681 A CN 106845681A
- Authority
- CN
- China
- Prior art keywords
- stock
- data
- training
- model
- day
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
现有的股票预测方法只能依赖于专家知识和对市场数据和信息的筛选和提炼,难以做到由市场数据到运行规律的直接建模,或者多是基于各种的市场指标,这些指标有特定的计算公式,能够反映市场的一些特征,但是它们对最原始的交易数据进行了变换,从某种程度上来说产生了信息的损失。本发明提出一种应用深度学习技术的股票趋势预测方法,采用深度学习技术建立股票趋势模型,以历史日交易数据为训练数据训练模型,使用当前交易日前一段时间的交易数据对当前交易日后一段时间的走势进行预测。本发明的目的是通过深度学习方法,从市场的历史交易数据中发现当前市场中潜在的获利机会,指导机构投资者和个人投资者的投资行为。
Description
技术领域
本发明所属的技术领域为机器学习领域,具体为一种应用深度学习技术的股票趋势预测方法。
背景技术
证券市场有其自身的运行规律,虽然会受到各种不可控的外部因素的影响,但是放到一定的时间区间里,这种运行规律还是在发挥着作用,影响着证券的价格走势。但由于证券市场中各种数据和信息繁多,对于业内的公司也需要专门的分析师团队去对股票进行分析,对于一般的个人投资者是很难从海量的历史交易数据和市场数据中凭借自身的能力进行全面和有效的分析。但是,对证券市场运行规律的掌握,有助于在市场中获利,因此受到了机构投资者和个人投资者的关注。文献“Ved Prakash Upadhyay,Subhash Panwar,Ramchander Merugu,and Ravindra Panchariya.2016.Forecasting Stock MarketMovements Using Various Kernel Functions in Support Vector Machine.InProceedings of the International Conference on Advances in InformationCommunication Technology&Computing(AICTC'16),S.K.Bishnoi,Manoj Kuri,andVishal Goar(Eds.).ACM,New York,NY,USA,,Article 107,5pages.”提出了一个基于应用不同核函数的支持向量机的股票市场走势预测模型,对市场中的各种类型的历史数据进行了分析,并建立训练数据集训练支持向量机模型,对CNX NIFTY指数进行预测。该方法使用的支持向量机模型是一种浅层模型,即从模型的输入到输出所经过的运算数量有限,难以对复杂的股票交易数据进行建模,必须十分依赖于对数据特征的提取和人工经验的加入。
现有方法的不足之处是:
(1).现有方法多使用浅层机器学习模型或统计学习模型,以及一些基于微分方程的模型,这些模型由于自身对复杂函数表达能力有限,难以对复杂的证券市场的内在运行规律建模,因此只能依赖于专家知识和对市场数据和信息的筛选和提炼,难以做到由市场数据到运行规律的直接建模。
(2).现有方法多是基于各种的市场指标,这些指标有特定的计算公式,能够反映市场的一些特征,但是它们对最原始的交易数据进行了变换,从某种程度上来说产生了信息的损失,这对模型的预测效果会产生负面影响。
发明内容
针对现有技术存在的不足,本发明提出一种应用深度学习技术的股票趋势预测方法,采用深度学习技术建立股票趋势模型,以历史日交易数据为训练数据训练模型,使用当前交易日前一段时间的交易数据对当前交易日后一段时间的走势进行预测。本发明的目的是通过深度学习方法,从市场的历史交易数据中发现当前市场中潜在的获利机会,指导机构投资者和个人投资者的投资行为。
本发明旨在克服现有的股票趋势预测方法的不足,包括现有方法对复杂函数表达能力有限、需要大量专业人员的经验设计合适的指标体系等。本发明的特征包括股票交易数据的处理、训练数据的信息扩充、深度学习模型的设计、模型的训练、股票趋势的预测等,每个过程包含若干个步骤,其特征分别描述如下:
(1).股票交易数据的处理
A.股票历史交易数据的收集
收集一个市场上的所有股票从上市日开始到指定日期的日交易信息,包括开盘价、收盘价、最高价、最低价、成交量、成交金额,所有的价信息均为数据提供商所提供的除权之后的价格信息。
B.股票历史交易数据的归一化
对每一个股票的上述每一个数据字段进行归一化,归一化处理的目的是使股票的字段数值转化为0至1之间的实数,其方法为:先求出该股票中每个字段的最大值和最小值,分别记为pmax和pmin。对于该字段中的每个数值,归一化方法为:其中p*为归一化之后的字段的值,p为归一化之前的字段的值。
C.股票历史交易数据的区间化
对每一个经过数据归一化的股票,进行区间化,区间化的目的是成形训练数据集的输入属性值和输出目标值。模型以指定交易日(T日)及之前的p个交易日的历史交易数据作为输入属性,每个交易日的数据为6维,输入属性值为一个p行6列的数据;输出目标值是T日之后的q个交易日的股票走势,其它定义为:
-如果T日之后的q个交易日中的最高收盘价与最低收盘价的平均值大于T日收盘价的(100%+r%),则输出目标值为100;
-如果T日之后的q个交易日中的最高收盘价与最低收盘价的平均值小于T日收盘价的(100%-r%),则输出目标值为010;
-如果不满足上述两种情况,则输出目标值为001。
D.训练数据的信息扩充
除了指定交易日(T日)及之前的p个交易日的历史交易数据作为模型训练的输入数据外,增加三个常用的股票指标,分别是5日移动均线(MA5)、指数平滑移动平均线(MACD)和随机指标(KDJ),即对每天的交易数据增加三个字段,输入属性值的维数变为p行9列。由于5日均线的计算需要T日及前4个交易日的数据,因此需要从数据集的初始日期之后的4个交易日算起。三种指标按行业标准定义计算。计算完这三种指标后,分别进行如步骤(1).B的归一化,使其取值范围在区间[0,1]之间。
(2).深度学习模型的设计
本步骤训练卷积神经网络模型,训练数据采用经过步骤(1).D的信息扩充之后的股票历史交易数据,本步骤中卷积神经网络的结构如下:
卷积神经网络由输入层、卷积层、激活层、全连接层和输出层组成
A.输入层
输入层接受经过步骤(1).D信息扩充之后的股票历史交易数据,维数是9*p,通道数是1,输入层不对输入数据进行处理。
B.卷积层
卷积层采用m*n的卷积核对输入数据进行卷积操作,第一个卷积层的通道数与输入层相同,之后的卷积层的通道数为上一层通道数的2倍。
C.激活层
激活层的激活函数如下:
·Relu:y=max(x,0),其中x为上一层的输出,y为本激活层的输出;
D.全连接层
在最后一个卷积层的输出上连接v个全连接层,v在3-5之随机取值,全连接层的维数在[d,4d]之间随机取值,其中d是最后一个卷积层的输出维数,每个全连接层之后紧跟一个激活层;
E.输出层
输出层与最后一个激活层全连接,输出的维数为3,输出层采用sigmoid函数,输出层的每一个维的输出值为0至1之间的实数,代表三个目标类别的概率。
(3).模型的训练
采用标准的误差反向传播学习算法对网络的权值进行调整,调整是根据模型的输入与输出的差异进行。具体来说,对于每一个输入模型的股票数据记录,模型的输出是一个3维实值向量,每一维的取值范围是[0,1],采用离散化输出再用0-1误差计算总的误差,即对于每一个输出概率,若它的值大于0.5,则离散化为1,反之离散化为0,其中1代表属于该类,0代表不属于该类,若模型的判断与真实的类别一致,则误差为0,反之误差为1,然后根据误差进行从输出端到输入端权值反向调整。
模型的权值采用[0,1]之间的随机数进行初始化,进行多轮训练,所有训练数据输入到网络中并且完成权值调整为一轮,直到模型的输出误差不再下降为止。
(4).股票趋势的预测
要求待预测趋势的股票与训练模型时所用的股票数据位于相同的证券交易市场。模型接受待预测股票当前交易日(T日)及之前p个交易日的日交易数据,见步骤(1).D,为一个9*p的实值矩阵,先按步骤(1).B对该实值矩阵进行归一化,之后输入已经训练好的模型,模型会给出一个三维向量作为输出,选取其中数值最大输出分量离散化为1,其余离散化为0,即若输出为100,则模型预测在T日后的q个交易日内,该股票的最高收盘价与最低收盘价的平均值大于T日收盘价的(100%+r%);若模型输出为010,则模型预测在T日后的q个交易日内,该股票的最高收盘价与最低收盘价的平均值小于T日收盘价的(100%-r%);若模型输出001,则模型预测该股票在T日后的q个交易日内,该股票的最高收盘价与最低收盘价的平均值介于上述两种情况之间。
具体实施方式
下面给出一个实施例,以中国深圳A股的市场历史交易数据作为实施数据集。使用FQuantToolBox工具箱收集中国深圳A股所有股票从上市日开始(以2006年1月1日为界,如果股票的上市日期在此之前,则从该日开始收集数据)到2016年11月30日的日交易信息,包括开盘价、收盘价、最高价、最低价、成交量、成交金额,所有的价信息均为数据提供商所提供的除权之后的价格信息。数据集一共有股票1906只,数据记录共213120条。
(1).数据归一化
按发明内容(1).B步骤进行,例如对于股票002003,从2006年1月1日开始至2016年11月30日,一共有2527条日交易数据记录,对于开盘价字段,它经过除权后的最大和最小值分别为19.0125和1.3501,该股票在2016年11月30日的开盘价为15.1500,则归一化后该字段的数值为(15.1500-1.3501)/(19.0125-1.3501)=0.7813。
(2).股票历史交易数据的区间化
模型以指定交易日(T日)及之前的p个交易日的历史交易数据作为输入属性,每个交易日的数据为6维,输入属性值为一个p行6列的数据;输出目标值是T日之后的q个交易日的股票走势。在本实施例中p取60,q取15。在计算输出目标值时,r取15。按发明内容的(1).C进行区间化和输出目标值的计算。
(3).训练数据的信息扩充
按发明内容的(1).D步骤进行。
(4).深度学习模型的设计
采用卷积神经网络深度学习模型,模型按发明内容的第(2)点进行设计,模型结构如表1所示:
表1.模型设计
(3).模型训练
在深度学习框架MatConvNet(http://www.vlfeat.org/matconvnet/)中通过配置文件实现表1的网络结构,把数据集做成Matlab数据文件.mat格式,然后使用MatConvNet提供的训练脚本cnn_train.m进行训练。训练进行50轮,使用的学习率为前10轮0.05,11-20轮0.01,21-30轮0.005,第31-40轮使用0.001,第41-50轮使用0.0005。训练的损失函数采用zero-one loss。模型经过50轮训练后,系统会生成50个.mat文件,分别保存了各轮训练结束时模型的参数,这些.mat文件为各轮训练好的模型,可用于股票趋势的预测。
(4).股票趋势预测
使用第50轮训练结束时的模型作为预测模型,收集待预测股票的T日及之前一共60个交易日的交易数据,再计算这60个交易日的MA5、MACD和KDJ三个指标,组成一个60行9列的矩阵,对每一列的数据进行归一化,使其值在[0,1]之间。这些操作均按照发明内容的第(1)点进行。
把经过归一化后的数值矩阵输入预测模型,模型通过中间各层的计算,得到一个3维实值输出向量,每一维的取值范围是[0,1],对输出进行离散化,即对于每一个输出概率,若它的值大于0.5,则离散化为1,反之离散化为0。根据发明内容的第(4)步中描述的模型输出的含义,即可得到最终的预测结果。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (7)
1.一种应用深度学习技术的股票趋势预测方法,该方法包括如下步骤:股票交易数据的处理、训练数据的信息扩充、深度学习模型的设计、模型的训练、股票趋势的预测,其特征在于:采用深度学习技术建立股票趋势模型,以历史日交易数据为训练数据训练模型,使用当前交易日前一段时间的交易数据对当前交易日后一段时间的走势进行预测。
2.根据权利要求1所述的股票趋势预测方法,其特征在于:所述的股票交易数据的处理包括:A.股票历史交易数据的收集;B.股票历史交易数据的归一化;C.股票历史交易数据的区间化;D.训练数据的信息扩充。
3.根据权利要求2所述的股票趋势预测方法,其特征在于:所述的股票历史交易数据的归一化包括:对每一个股票的上述每一个数据字段进行归一化,归一化处理的目的是使股票的字段数值转化为0至1之间的实数,其方法为:先求出该股票中每个字段的最大值和最小值,分别记为pmax和pmin。对于该字段中的每个数值,归一化方法为:其中p*为归一化之后的字段的值,p为归一化之前的字段的值。
4.根据权利要求3所述的股票趋势预测方法,其特征在于:对每一个经过数据归一化的股票,进行区间化,区间化的目的是成形训练数据集的输入属性值和输出目标值。
5.根据权利要求2所述的股票趋势预测方法,其特征在于:除了指定交易日及之前的p个交易日的历史交易数据作为模型训练的输入数据外,增加三个常用的股票指标,分别是5日移动均线MA5、指数平滑移动平均线MACD和随机指标KDJ,即对每天的交易数据增加三个字段。
6.根据权利要求1所述的股票趋势预测方法,其特征在于:所述的深度学习模型的设计步骤包括,训练卷积神经网络模型,训练数据采用经过步骤(1).D的信息扩充之后的股票历史交易数据,本步骤中卷积神经网络的结构如下:卷积神经网络由输入层、卷积层、激活层、全连接层和输出层组成。
7.根据权利要求1所述的股票趋势预测方法,其特征在于:所述的模型的训练采用标准的误差反向传播学习算法对网络的权值进行调整,调整是根据模型的输入与输出的差异进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611191228.9A CN106845681A (zh) | 2016-12-21 | 2016-12-21 | 一种应用深度学习技术的股票趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611191228.9A CN106845681A (zh) | 2016-12-21 | 2016-12-21 | 一种应用深度学习技术的股票趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106845681A true CN106845681A (zh) | 2017-06-13 |
Family
ID=59135126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611191228.9A Pending CN106845681A (zh) | 2016-12-21 | 2016-12-21 | 一种应用深度学习技术的股票趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845681A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633421A (zh) * | 2017-08-24 | 2018-01-26 | 武汉科技大学 | 一种市场预测数据的处理方法及装置 |
CN108694522A (zh) * | 2018-07-06 | 2018-10-23 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
CN108876613A (zh) * | 2018-06-06 | 2018-11-23 | 东莞市波动赢机器人科技有限公司 | 交易机器人的深度学习方法、电子设备和计算机存储介质 |
CN108876627A (zh) * | 2018-06-12 | 2018-11-23 | 恒生电子股份有限公司 | 量化分析模型处理方法及系统、存储介质及电子终端 |
CN109993336A (zh) * | 2017-12-29 | 2019-07-09 | 广州潽蓝信息科技有限公司 | 基于小波分析的金融投资数据突变分析方法及其系统 |
CN110047002A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种基于数据分析的期货推荐方法及系统 |
CN110047005A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种期货信息处理方法及系统 |
CN110047001A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种期货数据人工智能分析方法及系统 |
CN110246037A (zh) * | 2019-04-19 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 交易特征预测方法、装置、服务器及可读存储介质 |
CN110415119A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 模型训练、票据交易预测方法、装置、存储介质及设备 |
CN110555541A (zh) * | 2018-05-31 | 2019-12-10 | 国信优易数据有限公司 | 一种风险预测系统及方法 |
CN113793217A (zh) * | 2021-09-10 | 2021-12-14 | 上海卡方信息科技有限公司 | 一种基于卷积神经网络的股票交易反转点与异常点检测方法 |
US11250313B2 (en) | 2019-01-28 | 2022-02-15 | International Business Machines Corporation | Autonomous trading with memory enabled neural network learning |
-
2016
- 2016-12-21 CN CN201611191228.9A patent/CN106845681A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633421A (zh) * | 2017-08-24 | 2018-01-26 | 武汉科技大学 | 一种市场预测数据的处理方法及装置 |
CN109993336A (zh) * | 2017-12-29 | 2019-07-09 | 广州潽蓝信息科技有限公司 | 基于小波分析的金融投资数据突变分析方法及其系统 |
CN110555541A (zh) * | 2018-05-31 | 2019-12-10 | 国信优易数据有限公司 | 一种风险预测系统及方法 |
CN108876613A (zh) * | 2018-06-06 | 2018-11-23 | 东莞市波动赢机器人科技有限公司 | 交易机器人的深度学习方法、电子设备和计算机存储介质 |
CN108876627A (zh) * | 2018-06-12 | 2018-11-23 | 恒生电子股份有限公司 | 量化分析模型处理方法及系统、存储介质及电子终端 |
CN108694522A (zh) * | 2018-07-06 | 2018-10-23 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
CN108694522B (zh) * | 2018-07-06 | 2023-05-09 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
US11250313B2 (en) | 2019-01-28 | 2022-02-15 | International Business Machines Corporation | Autonomous trading with memory enabled neural network learning |
CN110047001A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种期货数据人工智能分析方法及系统 |
CN110047005A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种期货信息处理方法及系统 |
CN110047001B (zh) * | 2019-03-28 | 2022-06-24 | 莆田学院 | 一种期货数据人工智能分析方法及系统 |
CN110047002A (zh) * | 2019-03-28 | 2019-07-23 | 莆田学院 | 一种基于数据分析的期货推荐方法及系统 |
CN110246037A (zh) * | 2019-04-19 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 交易特征预测方法、装置、服务器及可读存储介质 |
CN110246037B (zh) * | 2019-04-19 | 2023-01-17 | 创新先进技术有限公司 | 交易特征预测方法、装置、服务器及可读存储介质 |
CN110415119A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 模型训练、票据交易预测方法、装置、存储介质及设备 |
CN110415119B (zh) * | 2019-07-30 | 2022-03-25 | 中国工商银行股份有限公司 | 模型训练、票据交易预测方法、装置、存储介质及设备 |
CN113793217A (zh) * | 2021-09-10 | 2021-12-14 | 上海卡方信息科技有限公司 | 一种基于卷积神经网络的股票交易反转点与异常点检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845681A (zh) | 一种应用深度学习技术的股票趋势预测方法 | |
Wu et al. | Adaptive stock trading strategies with deep reinforcement learning methods | |
Bebarta et al. | Forecasting and classification of Indian stocks using different polynomial functional link artificial neural networks | |
Patra et al. | Computationally efficient FLANN-based intelligent stock price prediction system | |
Kedia et al. | Portfolio generation for Indian stock markets using unsupervised machine learning | |
Deng et al. | A hybrid model of dynamic time wrapping and hidden Markov model for forecasting and trading in crude oil market | |
CN107578130A (zh) | 一种结构和参数联合学习的tsk型模糊系统的铜期货价格预测的方法 | |
Huang et al. | Pattern recognition in time series database: A case study on financial database | |
Pradhan et al. | Application of neural network in prediction financial viability | |
Noorul Haq et al. | Effect of forecasting on the multi-echelon distribution inventory supply chain cost using neural network, genetic algorithm and particle swarm optimisation | |
Siddiqui et al. | Comparison of garch model and artificial neural network for mutual fund's growth prediction | |
Cortez et al. | Time series forecasting by evolutionary neural networks | |
Zuniga et al. | Maximizing portfolio profitability during a cryptocurrency downtrend: A Bitcoin Blockchain transaction-based approach | |
Savsani et al. | Optimal aggregate production planning by using genetic algorithm | |
CN109658253A (zh) | 一种基于行业指数回归的基金仓位估算算法 | |
Zaw et al. | Price forecasting by back propagation neural network model | |
Huang et al. | A genetic-based stock selection model using investor sentiment indicators | |
Balasubramanian et al. | An experimental analysis of forecasting the high frequency data of matured and emerging economies stock index using data mining techniques | |
Mehlawat et al. | An integrated fuzzy-grey relational analysis approach to portfolio optimization | |
Moskalenko et al. | The Value of Shares Prediction in an Unstable Economy Using Neural Networks. | |
Lin et al. | Smart risk management with financial big data | |
Singh et al. | Stock Market Prediction During COVID Using Stacked LSTM | |
Zhaofan et al. | Genetic Algorithm Based Quantitative Factors Construction | |
Nouri et al. | A Novel Multi-Stage Stochastic Portfolio Optimization Model Under Transaction Costs | |
Qi et al. | Image Processing Based Implied Volatility Surface Analysis for Asset movement Forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |