AI+金融作为优化金融业务场景的应用技术工具，应用于金融机构IT总体架构的中台层与渠道层，解决具体场景的业务数字化诉求。总体而言，AI+金融在内生需求、资本投入、政策扶持的驱动下，获得广阔的发展空间。

——艾瑞网

深度学习模型对于非线性关系的拟合，以及较强的数据特征学习能力，可以为提升预测精度提供新的思路。想要深入研究AI+金融（量化交易和股价预测领域）这10篇论文是必读的：

含付费论文「扫码免费领取👇」

👆领取AI+金融10篇必读论文👆

01

Modeling and forecasting realized volatility

推荐理由：4466次被引，向量自回归波动率预测，加上参数化的对数正态混合分布，产生了对未来收益的良好校准密度预测，以及相应的准确的量化预测。

02

A simple approximate long-memory model of realized volat

推荐理由：2587次被引，本文提出了一个在不同时间段定义的波动率成分的加法级联模型。

03

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

推荐理由：本文将传统的ARIMA模型与深度学习模型相结合，对高频金融时间序列进行预测。

04

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

推荐理由：我们通过百度搜索前言关键词索引构建投资者关注度因子，再结合其他交易信息如交易量、趋势指标、报价变化率等作为输入指标，最后通过时间卷积网络（TCN）采用深度学习模型来预测高频金融数据下的波动率。

05

一种基于文本情感分析的股票指数预测新方法

推荐理由：提出一种基于金融文本情感分析的指数预测模型SA-BERT-LSTM, 对沪深300指数的涨跌进行预测。

06

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

推荐理由：被引135次，本研究提出了一种基于在线媒体文本挖掘的新型原油价格预测方法，目的是捕捉价格波动的更直接的市场前因。

07

Crude oil price forecasting incorporating news text

推荐理由：本文针对短而稀疏的文本数据引入了话题和情感的两个新指标来解决这个问题。

08

基于深度学习LSTM神经网络的全球股票指数预测

推荐理由：研究本文构造了一个深层LSTM 神经网络并将其应用于全球30个股票指数三种不同期限的预测研究

09

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

推荐理由：本文采用了融合长短期记忆（LSTM）和带自适应噪声的完全集合经验模式分解（CEEMDAN）的混合模型来预测CSI300、S&P500和STOXX50指数的RV。

10

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

推荐理由：被引471次，提出了一个新的混合长短期记忆（LSTM）模型来预测股价波动，该模型结合了LSTM模型和各种广义自回归条件异方差（GARCH）型模型。

扫码领取

AI+金融领域10篇必读论文

深度学习算法在「经济金融」中应用研究，包括但不限于：

①基于非结构化文本数据和Bert模型构造情绪因子，拓展传统金融研究的领域；

②基于深度学习算法如图神经网络等研究股票市场股价及波动预测，为投资策略提供建议；

③基于模态分解算法和深度学习等研究风险度量与预测，为金融监管部门提供建议；

④结合传统非参数方法和深度学习算法研究带跳扩散模型生成样本数据的预测问题，拓展金融与深度学习交叉研究等。

扫码领取

AI+金融领域10篇必读论文

综上！除了10篇AI+金融领域必读论文，我这次还为大家争取了《基于股价和零售的时序项目实战》6节课福利！理论➕实战掌握AI+金融领域热门技术！

扫码领取

AI+金融领域10篇必读论文

并开通6节实战课程

6节实战课程内容

第一课:股价预测、零售预测背景介绍及时间序列预测概览

时间序列和时间序列预测的概念

时间序列预测的通用流程构建

时间序列预测模型的通用框架

时间序列预测方法分类

第二课:股价预测、零售预测数据探索及时间序列分析

时间序列可视化

自相关性、互相关性简介

周期性、趋势性简介

时间序列常用分析方法

股价时序数据和零售时序数据分析

第三课:股价时间序列预测及经典时间序列预测算法

指数平滑算法(exponential smoothing)

ARIMA算法

Prophet算法

股价时序预测实践

第四课:零售时序预测及基于机器学习的时间序列预测算法

如何构建训练集和测试集样本

常见时序数据特征工程介绍特征的选择和降维

特征工程的可视化技巧

零售时序预测实践

第五课:深度学习用于时序预测导论(进阶课程)

神经网络算法简介

基于RNN的时序预测算法

基于CNN的时序预测算法

利用深度学习预测股价和零售

第六课: 时间序列预测实用窍门 (进阶课程)

如何预测多层级时间序列

在不同的时间颗粒度上怎么预测(分钟别、小时别、天别、周别、月别)

正整数型序列如何预测特别长和

特别短的序列如何预测

异常值和缺失值如何处理

扫码领取

AI+金融领域10篇必读论文

开通6节实战课程