Adaptive Market Intelligence: A Mixture of Experts Framework for Volatility-Sensitive Stock Forecasting
自适应市场预测：面向波动差异的股票预测混合专家框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是股票价格的预测误差比较，直接对应金融预测；波动仅用于分类和门控，未明确提出波动率估计方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
自适应市场预测：面向波动差异的股票预测混合专家框架
- 研究问题
- 作者研究不同波动类别的股票是否需要不同预测模型，以及按波动特征组合模型能否改善股票价格预测误差。
- 方法与思路
- 作者组合面向高波动股票的循环神经网络与面向稳定股票的线性回归，以波动感知门控分配权重，并在三十只美国股票上评估。
- 材料陈述的贡献
- 摘要称，相对各自基准，高波动与稳定股票的均方误差最多改善百分之三十三和百分之二十八，分层评估支持组合模型表现。
- 阅读关注点
- 应核对价格预测目标及期限、波动分类和门控规则、训练测试划分、基准调参公平性，以及最大改善幅度的具体计算口径。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；摘要未说明样本时期和显著性，价格误差改善不能据此推出交易收益。
原文摘要
This study develops and empirically validates a Mixture of Experts (MoE) framework for stock price prediction across heterogeneous volatility regimes using real market data. The proposed model combines a Recurrent Neural Network (RNN) optimized for high-volatility stocks with a linear regression model tailored to stable equities. A volatility-aware gating mechanism dynamically weights the contributions of each expert based on asset classification. Using a dataset of 30 publicly traded U.S. stocks spanning diverse sectors, the MoE approach consistently outperforms both standalone models. Specifically, it achieves up to 33% improvement in MSE for volatile assets and 28% for stable assets relative to their respective baselines. Stratified evaluation across volatility classes demonstrates the model's ability to adapt complexity to underlying market dynamics. These results confirm that no single model suffices across market regimes and highlight the advantage of adaptive architectures in financial prediction. Future work should explore real-time gate learning, dynamic volatility segmentation, and applications to portfolio optimization.