XiaoMi-AI文件搜索系统
World File Search System股票市场
股票市场与经济指标之间的关系：来自新加坡和香港的证据
零：单位根（假设单个单位根过程） Im、Pesaran 和 Shin W-stat 1.68398 0.9539 5 204 ADF – Fisher 卡方 6.17265 0.8006 5 204 PP – Fisher 卡方 4.28539 0.9336 5 216 ** Fisher 检验的概率是使用渐近卡方计算的
具有算法交易的股票市场最佳获利策略
摘要：机器学习（ML）技术正在越来越多地应用于金融市场，以分析趋势和预测股票价格。在这项研究中，我们比较了嵌入股票交易策略的各种ML算法的价格预测和利润绩效。数据集包含来自中国股票市场CSI 300指数的每日数据，大约17年（2006- 2023年）。我们将投资者情感指标和相关财务因素作为特征纳入。我们训练有素的模型包括支持向量机（SVM），逻辑回归和随机森林。结果表明，SVM模型的表现优于其他模型，在回测的60.52％的超额回报中获得了令人印象深刻的超额回报。此外，我们的研究将标准预测模型（例如Lasso和LSTM）与建议的方法进行了比较，为选择ML算法的用户提供了有价值的见解。最终，这项工作是未来财务应用中知情算法选择的基础。
是什么解释了股票市场对量化宽松政策的反应？ ...
∗本文受益于与Pablo Beker，Ana Galvao，Diego Kanzig，Francesca Loria，Leonardo Melosi，Roberto Pancrazi，Giovanni Ricco，Nicholas Prachter和Marija Vukotic的讨论。我还感谢2022年沃里克博士论坛的参与者，沃里克宏观和国际经济学研讨会2023，IIT-Kanpur研讨会系列2023，Warwick PhD 2023和ISI ACEGD，2023年。†沃里克大学经济系，考文垂Cv4 7al，英国。电子邮件：a.tuteja.1@warwick.ac.uk
每日股票市场报告2025年1月6日 - 加纳股票...
GSE综合指数在当天开放4,890.27点的情况下关闭，其年初回报（YTD）为0.04％。GSE Financial Stock指数也以2,383.24分的持续结束，其YTD回报率为0.10％。总体市值为1,113.6亿GH-从前一天的阅读中，GH频繁2291万。在贸易活动方面，交易股数量从前704,976股下降了73.87％，至184,194股，当天的总价值交易（GHS12,054,405.58），从GHS1,714,270.40上涨了603.18％。另外，GLD上升了7.90，在GH¢399.80上关闭。
评估俄罗斯股票市场负责任投资动量策略的有效性
摘要。在现代条件下，将 ESG 标准纳入资产管理人的投资决策被视为可持续经济发展的关键因素。我们自 2011 年 12 月至 2020 年 12 月期间，对比了基于责任和开放指数的动量-ESG 策略与基于莫斯科交易所大盘指数的动量策略的有效性。我们提出了一种将 ESG 标准整合到动量策略中的算法。我们根据月度回报选择“赢家”和“输家”股票。动量-ESG 策略在 12 个月的时间范围内具有较高的夏普比率，动量策略在 6 个月的时间范围内具有较高的夏普比率。动量-ESG 策略的测试表明，在投资期间，与不考虑 ESG 因素的动量策略相比，其夏普比率效率更高。
新兴股票市场分析的卷积深钢筋学习体系结构
在复杂而充满活力的股票市场格局中，投资者试图优化收益，同时与价格波动相关的微型风险。已经提出了各种创新方法，以通过考虑历史趋势和社会因素来实现高利润。尽管取得了进步，但预测市场动态仍然是一个持续的挑战。这项研究介绍了一种新颖的深入增强学习（DRL）体系结构，以有效地预测股票市场的回报。与需要手动功能工程的传统方法不同，拟议的模型利用卷积神经网络（CNN）直接处理每日股票价格和财务指标。该模型通过用卷积层替换传统的Q-表，解决了培训期间过度拟合和数据稀缺问题。优化过程最小化了平方误差的总和，从而提高了词典的准确性。实验评估证明了该模型的鲁棒性，在短期和长期视野中，在买卖策略上实现了67％的方向准确性。这些发现强调了该模型在浏览复杂市场环境中的适应性和有效性，从而在财务预测方面取得了重大进步。
分析算法交易对股票市场行为的影响：全面审查
现有有关算法交易的文献主要集中在其技术方面和直接市场影响上。但是，了解算法交易的更广泛的社会经济含义，包括其对市场完整性的影响，交易的民主化和系统性风险的潜力，存在一个显着的研究差距。此外，涉及算法交易的道德考虑因素（例如公平和透明度）在理解算法交易的机制和直接影响方面仍然取得了重要的巨大进步，仍然存在大量的研究差距。解决这些差距需要一种多学科的方法，该方法包括金融，技术，心理学和法律。通过弥合这些差距，研究人员可以更深入了解算法交易的复杂性及其对金融市场和社会的长期影响。
机构投资者在塑造公司治理和股票市场绩效中的作用
在过去的几年中，公司治理和全球股票市场绩效的动态发生了重大变化。这种过渡可能归因于机构投资者的日益影响。这些金融公司（包括养老基金，共同基金和对冲基金）负责监督从各种来源（例如个人和机构投资者）积累的大量现金。积累的财富不仅为个人提供了相当大的经济激励措施，而且还为他们在拥有主要所有权持有的组织中具有独特的权威地位。这些实体发挥影响力的能力通过其持有的实质性规模增强，这通常使他们有能力影响公司的关键决策和塑造战略轨迹（Alazemi等，2020）。
使用机器学习技术进行股票市场指数预测：BIST 指数的应用
Özer 等人（2017）使用了 2012 年至 2016 年期间中国（上海）、印度（Nifty 50）、墨西哥（IPC-Mexico）、伊斯坦布尔（BIST 100）、美国（Nasdaq）、英国（FTSE-100）、德国（DAX）和法国（CAC-40）指数的每周收盘数据。在相关研究中，尝试比较模糊逻辑技术和人工神经网络模型，发现成功应用各种人工智能模型可以得到有希望的结果。在另一项研究（Manurung 等人，2018）中，他们使用 2013 年至 2018 年的中亚银行 (BCA) 数据进行股价预测，使用长短期记忆 (LSTM) 进行了预测研究，LSTM 是一种循环人工神经网络，用于数据中的重要参数（开盘价、最高价、最低价、收盘价）。分析结果表明，使用少于 1 年的短期数据而不是 3 年或 5 年的训练数据，LSTM 中的预测最为准确，并且优于传统的自回归移动平均 (ARIMA) 预测方法，对于短期数据的准确率为 56%，而准确率为 94%。