金融时间序列预测中的机器学习技术：综述

统计模型为了能够获得一些理论保证而做出一些简化假设，因此具有简单的结构和潜在的较低性能。机器学习模型更加通用，做出的简化假设较少，并具有更好的模型拟合能力。由于这些原因，诸如ML和深度学习等技术在金融文献中创造了一个新的研究方向（Fang等，2021）。

为了预测金融资产的未来价值并找到这些资产行为的原因，采用了许多机器学习（ML）技术，例如SVM（Akyildirim等，2021）、支持向量回归（SVR）（Kara等，2011）、随机森林（RF）（Patel等，2015a）和卷积神经网络（CNN）（Tsantekidis等，2017）。这些工作表明，可以使用ML技术进行更准确的预测，并作为探索金融资产行为的传统技术的替代方法。

Nousi等（2019）应用了多种ML技术，如单层前馈神经网络、MLP、自动编码器和袋装特征算法，来预测股票价格的中间价格走势。结果表明，这些ML技术可以预测价格走势。Shah等（2019）将股票价格预测技术分为四类，即统计方法、模式识别、机器学习和情感分析。

金融时间序列预测问题也可以归类为分类和回归问题。根据Patel等（2015b），最广泛使用的两种技术是ANN和SVR，它们是监督方法，而无监督方法不太流行。Henrique等（2019）介绍了金融时间序列预测的机器学习技术的综述。作者指出，ANN似乎是金融时间序列文献中最流行的ML技术。