An Evaluation of Deep Learning Models for Stock Market Trend Prediction

股票市场是金融系统的基本组成部分，反映经济健康状况，提供投资机会，影响全球动态。准确的股票市场预测可以带来重大收益，促进更好的投资决策。然而，由于其非线性和随机性质，预测股票市场趋势具有挑战性。本研究使用标普500指数和巴西ETF EWZ的日间和小时收盘价格，研究了先进的深度学习模型在短期趋势预测中的有效性。探索的模型包括时间卷积网络（TCN）、基于神经元的时间序列预测分析（N-BEATS）、时间融合变压器（TFT）、神经分层插值时间序列预测（N-HiTS）和时间序列密集编码器（TiDE）。此外，我们还介绍了扩展长短期记忆时间序列（xLSTM-TS）模型，这是一种针对时间序列预测进行优化的xLSTM适应。小波去噪技术被应用于平滑信号和减少小波动，为所有方法提供更清洁的输入数据。去噪显著提高了预测股票价格方向的性能。在测试的模型中，xLSTM-TS始终优于其他模型。例如，它在EWZ日数据集上实现了72.82％的测试准确率和73.16％的F1分数。通过利用先进的深度学习模型和有效的数据预处理技术，本研究为市场运动预测的机器学习应用提供了有价值的见解，同时突出了潜力和涉及的挑战。

本论文旨在探讨使用先进的深度学习模型对股票市场短期趋势进行预测的有效性，并验证其在数据预处理方面的影响。

论文探索了多种深度学习模型，包括TCN、N-BEATS、TFT、N-HiTS、TiDE和xLSTM-TS，其中xLSTM-TS表现最佳。此外，使用小波去噪技术可以提高预测准确性。

论文使用了S&P 500指数和巴西ETF EWZ的每日和每小时收盘价数据集，并比较了多种深度学习模型的表现。xLSTM-TS模型在所有模型中表现最佳，测试准确率达到72.82%，F1得分为73.16%。

在这个领域中，还有一些相关的研究，如《Deep Learning for Stock Prediction: A Comparative Study》和《Stock Price Prediction using Deep Learning Techniques and Hybrid Models》等。