股票价格跳跃到达的预测：基于新注意的

doi:10.1016/S0140-6736（95）92880-4，arXiv:arXiv:1411.3159v1。Kanniainen，J.，2009年。适当折扣的项目能否遵循几何布朗运动？运筹学数学方法70435。Kanniainen，J.，Yue，Y.，2017年。新闻的到来和股价的上涨。SSRN工作文件。Kara，Y.，Acar，M.，Kaan，¨O.，2011年。使用人工神经网络和支持向量机预测股票价格指数运动方向的专家系统及其应用：伊斯坦布尔证券交易所样本。具有应用程序的专家系统385311–5319。内政部：10.1016/j.eswa。2010.10.027.Kercheval，A.N.，Zhang，Y.，2015年。用支持向量机建模高频极限订单动态。定量金融15，1315–1329。内政部：10.1080/14697688.2015.1032546。Kingma，D.P.，Ba，J.，2014年。Adam：一种随机优化方法。arXiv预印本XIV:1412.6980 arXiv:1412.6980。Krizhevsky，A.，Sutskever，I.，Hinton，G.，2012年。深卷积神经网络的ImageNet分类。Landis，J.R.，科赫，G.G.，1977年。分类数据的观察者一致性度量。生物特征33，159。内政部：10.2307/2529310。L–angkvist，M.，Karlsson，L.，Lout fi，A.，2014年。时间序列建模的无监督特征学习和深度学习综述。模式识别字母。LeCun，Y.，Bengio，Y.，1995年。图像、语音和时间序列的卷积网络。《大脑理论和神经网络手册》3361255–258。内政部：10.1109/IJCNN。2004.1381049，arXiv:arXiv:1011.1669v3。Lee，S.，2012年。金融市场的跳跃和信息流动。财务研究回顾25439–479。Lee，S.S.，美国密克兰，2008年。实时金融市场的跳跃：一种新的非参数检验和跳跃动力学。金融研究回顾21，2535–2563。内政部：10.2139/ssrn。利普顿，Z.C.，埃尔坎，C.，纳里亚纳斯瓦米，B.，2014年。

最大化分类器的最佳阈值1度量，在：欧洲机器学习和知识发现联合会议数据库中。，第225-239页。内政部：10.1007/978-3-662-44851-9\\u 15，arXiv：1402.1892。Maas，A.L.，Hannun，A.Y.，Ng，A.Y.，2013年。更精确的非线性改善了神经网络声学模型。第30届机器学习国际会议记录28，6。Mikolov，T.、Kara fiat，M.、Burget，L.、Cernocky，J.、Khudanpur，S.，2015年。基于递归神经网络的语言模型。《国际语音通信协会年会论文集》，INTERSPEECH，1045–1048。Ntakaris，A.、Magris，M.、Kanniainen，J.、Gabbouj，M.、Iosi fidis，A.，2018年。基准数据集形成了限额订单数据的价格预测。即将发表在《预测杂志》上。Passalis，N.、Tsantekidis，A.、Tefas，A.、Kanniainen，J.、Gabbouj，M.、Iosi fidis，A.，2017年。使用神经特征袋进行时间序列分类，摘自：信号处理会议（EUSIPCO），2017年，欧洲电气与电子工程师协会，第25届。第301-305页。罗森布拉特，F.，1957年。感知机-感知和识别的自动机。技术报告。内政部：85-460-1。Scherer，D.、M¨uller，A.、Behnke，S.，2010年。对象识别卷积体系结构中池操作的评估。人工神经网络ICANN 2010。Sermanet，P.、Eigen，D.、Zhang，X.、Mathieu，M.、Fergus，R.、LeCun，Y.，2013年。OverFeat：使用卷积网络集成识别、定位和检测。arXiv预印本XIV doi:10.1109/CVPR。2015.7299176，arXiv:1312.6229。Shore，J.E.，Johnson，R.W.，1980年。最大熵原理和最小交叉熵原理的公理推导。IEEE信息论学报26，26–37。内政部：10.1109/TIT。1980.1056144.Siikanen，M.、Kanniainen，J.、Luoma，A.，2017b。

是什么驱动了限价订单对公司公告到达的敏感性？《经济学快报》159，65–68。Siikanen，M.，Kanniainen，J.，Valli，J.，2017年。围绕预定和非预定公告的限额指令簿和流动性：纳斯达克北欧的经验证据。金融研究信函21264–271。Sirignano，J.，Cont，R.，2018年。金融市场价格形成的普遍特征：深度学习视角。SSRN工作文件。Toth，B.，Palit，I.，Lillo，F.，Farmer，J.D.，2015年。为什么股权秩序如此持续？《经济动力学和控制杂志》51218–239。Tran，D.T.，Iosi fidis，A.，Kanniainen，J.，Gabbouj，M.，2018年。用于金融时间序列数据分析的时间注意力增强双线性网络。即将在IEEE神经网络和学习系统交易中发表。Tsantekidis，A.、Passalis，N.、Tefas，A.、Kanniainen，J.、Gabbouj，M.、Iosi fidis，A.、2017a。使用卷积神经网络从限价订单簿预测股票价格，摘自：商业信息学（CBI），2017年IEEE第19届会议，IEEE。第7-12页。Tsantekidis，A.、Passalis，N.、Tefas，A.、Kanniainen，J.、Gabbouj，M.、Iosi fidis，A.、2017b。使用深度学习检测金融市场中的价格变化迹象，参加：信号处理会议（EUSIPCO），2017年第25届欧洲会议，IEEE。第2511-2515页。Webb，A.R.，Copsey，K.D.，2011年。统计模式识别。约翰·威利父子公司。内政部：10.1002/9781119952954。Xingjian，S.，Chen，Z.，Wang，H.，Yeung，D.Y.，Wong，W.K.，Woo，W.c.，2015年。卷积lstmnetwork：降水临近预报的机器学习方法，《神经信息处理系统的进展》，第802–810页。Yang，H.，Kanniainen，J.，2017年。标准普尔500指数的跳跃和波动性动态：股票和期权市场的非净波动性动态与内部活动跳跃的证据。

审查财务21，811–844。Yang，J.，Nguyen，M.N.，San，P.P.，Li，X.，Krishnaswamy，S.，2015年。深度卷积神经网络用于人类活动识别的多通道时间序列。，摘自：IJCAI，第3995-4001页。Zhou，P.，Shi，W.，Tian，J.，Qi，Z.，Li，B.，Hao，H.，2016年。用于关系分类的基于注意的双向长短记忆网络。