一文讀懂AI+金融領域量化交易和股價預測！

Modeling and forecasting realized volatility

推薦理由：4466次被引，向量自回歸波動率預測，加上參數化的對數正態(tài)混合分布，產生了對未來收益的良好校準密度預測，以及相應的準確的量化預測。

A simple approximate long-memory model of realized volat

推薦理由：2587次被引，本文提出了一個在不同時間段定義的波動率成分的加法級聯模型。

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

推薦理由：本文將傳統的ARIMA模型與深度學習模型相結合，對高頻金融時間序列進行預測。

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

推薦理由：我們通過百度搜索前言關鍵詞索引構建投資者關注度因子，再結合其他交易信息如交易量、趨勢指標、報價變化率等作為輸入指標，最后通過時間卷積網絡（TCN）采用深度學習模型來預測高頻金融數據下的波動率。

一種基于文本情感分析的股票指數預測新方法

推薦理由：提出一種基于金融文本情感分析的指數預測模型SA-BERT-LSTM, 對滬深300指數的漲跌進行預測。

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

推薦理由：被引135次，本研究提出了一種基于在線媒體文本挖掘的新型原油價格預測方法，目的是捕捉價格波動的更直接的市場前因。

Crude oil price forecasting incorporating news text

推薦理由：本文針對短而稀疏的文本數據引入了話題和情感的兩個新指標來解決這個問題。

基于深度學習LSTM神經網絡的全球股票指數預測

推薦理由：研究本文構造了一個深層LSTM 神經網絡并將其應用于全球30個股票指數三種不同期限的預測研究

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

推薦理由：本文采用了融合長短期記憶（LSTM）和帶自適應噪聲的完全集合經驗模式分解（CEEMDAN）的混合模型來預測CSI300、S&P500和STOXX50指數的RV。

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

推薦理由：被引471次，提出了一個新的混合長短期記憶（LSTM）模型來預測股價波動，該模型結合了LSTM模型和各種廣義自回歸條件異方差（GARCH）型模型。