Financial Time Series Forecasting using CNN and Transformer
结合卷积神经网络与 Transformer 的金融时间序列预测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：摘要明确预测股票未来价格变化方向并使用日内股价实验，最直接对应金融预测；未提供高频计量方法的充分依据。
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…
结合卷积神经网络与 Transformer 的金融时间序列预测
- 研究问题
- 股票价格预测中，如何同时刻画局部短期模式与较长时间依赖，并预测未来价格上涨、下跌或保持不变的方向？
- 方法与思路
- 作者结合 CNN 的局部模式提取能力与 Transformer 的全局依赖建模能力，在标普五百成分股的日内价格变化上进行实验。
- 材料陈述的贡献
- 摘要称，该组合方法在日内价格方向预测实验中取得了相对于常用统计方法和深度学习方法的较好表现，但未给出具体指标。
- 阅读关注点
- 应核对预测期限、价格不变的定义、训练测试的时间划分及信息泄漏控制，并检查比较基线、评价指标和交易时段设置。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未说明采样频率、样本外指标或结果能否跨时期稳定复现。
原文摘要
Time series forecasting is important across various domains for decision-making. In particular, financial time series such as stock prices can be hard to predict as it is difficult to model short-term and long-term temporal dependencies between data points. Convolutional Neural Networks (CNN) are good at capturing local patterns for modeling short-term dependencies. However, CNNs cannot learn long-term dependencies due to the limited receptive field. Transformers on the other hand are capable of learning global context and long-term dependencies. In this paper, we propose to harness the power of CNNs and Transformers to model both short-term and long-term dependencies within a time series, and forecast if the price would go up, down or remain the same (flat) in the future. In our experiments, we demonstrated the success of the proposed method in comparison to commonly adopted statistical and deep learning methods on forecasting intraday stock price change of S&P 500 constituents.