Forecasting open-high-low-close data contained in candlestick chart
蜡烛图开盘、最高、最低与收盘数据的预测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：摘要明确使用 VAR 与 VEC 进行 OHLC 时间序列预测，未直接研究收益预测或资产定价。
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…
蜡烛图开盘、最高、最低与收盘数据的预测
- 研究问题
- 如何预测具有内在次序约束的 OHLC 数据，避免模型输出不合理的开盘、最高、最低与收盘价格组合？
- 方法与思路
- 作者提出解除 OHLC 约束的变换及显式逆变换，构建灵活预测框架，并给出 VAR 与 VEC 模型的具体建模示例。
- 材料陈述的贡献
- 摘要称逆变换能保证预测值满足 OHLC 约束，并通过模拟及贵州茅台、中证一百指数和上证五十 ETF 数据展示方法效果。
- 阅读关注点
- 应核对变换的定义域与边界情形、逆变换后的约束保证，以及 VAR、VEC 设定和预测误差评价是否使用相同基准。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出预测增益或评估细节，满足价格约束不等于预测更准确。
原文摘要
Forecasting the (open-high-low-close)OHLC data contained in candlestick chart is of great practical importance, as exemplified by applications in the field of finance. Typically, the existence of the inherent constraints in OHLC data poses great challenge to its prediction, e.g., forecasting models may yield unrealistic values if these constraints are ignored. To address it, a novel transformation approach is proposed to relax these constraints along with its explicit inverse transformation, which ensures the forecasting models obtain meaningful openhigh-low-close values. A flexible and efficient framework for forecasting the OHLC data is also provided. As an example, the detailed procedure of modelling the OHLC data via the vector auto-regression (VAR) model and vector error correction (VEC) model is given. The new approach has high practical utility on account of its flexibility, simple implementation and straightforward interpretation. Extensive simulation studies are performed to assess the effectiveness and stability of the proposed approach. Three financial data sets of the Kweichow Moutai, CSI 100 index and 50 ETF of Chinese stock market are employed to document the empirical effect of the proposed methodology.