一文读懂AI+金融领域量化交易和股价预测！

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。

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。

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。

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。

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。

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。

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。

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

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。

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。