English
A Multi-indicator Feature Selection for CNN-Driven Stock Index Prediction
文件大小：
1018k
资源说明：这篇论文的标题是“A Multi-indicator Feature Selection for CNN-Driven Stock Index Prediction”，从标题可以提炼出的知识点包括：
1. 多指标特征选择（Multi-indicator Feature Selection）
2. 基于卷积神经网络（CNN）的股票指数预测（CNN-Driven Stock Index Prediction）
结合描述和部分提供的内容，本文主要探讨了在股票市场预测领域中应用深度学习技术的一个具体问题——如何处理和选择对股票指数预测有帮助的多个技术指标。
描述和部分内容主要讲述了以下几个方面的具体知识点：
1. 股票指数预测的挑战性：由于股票指数趋势的非线性和随机漂移现象，预测股票指数被认为是一项具有挑战性的任务。
2. 技术指标的影响力：在实际应用中，不同的指标特征对于股票指数的预测有显著的影响。
3. 多指标之间的干扰问题：当采用卷积神经网络（CNN）进行特征提取时，同一矩阵中包含的不同技术指标会相互干扰。
4. MI-CNN框架：论文提出了一个名为MI-CNN（Multi-indicator CNN）的多通道CNN结构来解决上述问题，采用最大化信息效率特征选择（MICFS）方法来选择候选指标，以确保与股票运动的相关性，同时减少不同指标之间的冗余。
5. 避免指标间干扰的CNN结构设计：论文设计了一个有效的CNN结构，该结构不含子采样操作，用于提取每个指标的抽象特征，从而避免了不同指标之间的相互干扰。
6. 实验验证：通过广泛的实验验证，证明所提出的MI-CNN方法在不同股票指数上表现良好，并且在交易模拟中取得了比基准更高的收益，为基于深度学习方法的金融时间序列预测研究提供了良好的潜力。
关键词中提到了股票指数预测（Stockindexprediction）、特征选择（Featureselection）、最大化信息效率（Maximal information coefficient）、卷积神经网络（Convolutional neural networks）。
本文结合深度学习和特征选择的方法，针对股票指数预测问题进行了深入的研究。研究目标是在保持指标间相关性的同时，减少指标间的冗余性，以提高股票指数预测的准确性。通过设计特殊的CNN结构，解决多指标特征在提取过程中可能出现的相互干扰问题。此外，论文还通过实验验证了所提出的方法在实际应用中的有效性，为金融时间序列的深度学习预测提供了新的研究方向。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
