使用深度学习预测股票市场 在这个项目中，我使用称为LSTM的最佳深度学习算法之一来预测和预测Amazon Inc.的价格。

在跳跃扩散模型下,假定跳跃强度服从门限自回归模型(self-threshold autoregressive model, SETAR)以反映跳跃强度的结构性突变,并使用GARCH模型描述收益率波动扩散形态.以受波动率影响的跳跃强度控制跳跃行为发生概率,并以受跳跃行为影响的GARCH模型控制正常扩散过程,构建了SETAR-GARCH模型.以上证房地产指数为例,实证研究发现,股指存在门限效应,GARCH效应明显,跳跃突变发生的概率为35. 21%.资产收益率总体方差中有较大的部分是由跳跃行为异常所引起.历史

使用NLP对股票市场的推文的影响 NLP对推文的情绪分析，并平均每天的情绪。 与股价变化比较。

双均线法定投策略在股票市场的实现_python 包含双均线法定投策略基本原理介绍、获取数据、数据处理、在中证500指数上实现策略、用循环实现100支股票策略运用、参数调整对双均线法策略结果的影响等内容

在股票市场风险分析中，对不同股票相关结构的讨论有着重要意义，从而引出对如何选取好的相关结构模型来捕捉股票间的相关变化规律的讨论。本文选取Gauss Copula、t Copula、Gumbel Copula和Mixed Gumbel Copula，运用两步半参数估计法对股票市场相关结构建模，并依据建立的模型进行VaR分析，采用wald型检验方法来判断VaR估计效果。从效用最大化角度出发，确定最优投资组合。

金融学专业论文，最早用物理学中的布朗运动描述股价运动

互联网金融背景下投资者情绪对股票市场的影响研究.pdf

互联网金融背景下投资者情绪对股票市场的影响研究.docx

Market-Markov:用马尔可夫链分析股票市场

由于真实收益变动过程的不可观察性，因此在波动率预测评估中最具挑战性的问题之一是为事后波动率找到准确的基准指标。 本文使用澳大利亚股票市场的超高频数据来构建无偏的事后波动率估计量，然后将其用作评估各种实际波动率预测策略（基于GARCH类模型）的基准。 这些预测策略可允许创新的偏斜分布，并在标准GARCH波动率模型之外使用各种估计窗口。 在样本外测试中，我们发现，与使用基于稀疏采样的日内数据的实际波动率相比，使用无偏后波动率估计量，可以系统地减少所有模型规格的预测误差。 特别是，我们显示出三种基准预测模型在回报率和估计窗口分布不同的情况下胜过大多数修改后的策略。 比较三种标准的GARCH类模型，我们发现非对称功率ARCH（APARCH）模型在正常和金融动荡时期均表现出最佳的预测能力，这表明APARCH模型具有捕获Leptokurtic收益和典型波动率特征的能力。澳大利亚股市。