22年的综述最近读了3篇，总结笔记如下：
本期所有论文链接：2022综述 https://www.alipan.com/s/Y7YnnXjM3nn 点击链接保存，或者复制本段内容，打开「阿里云盘」APP ，无需下载极速在线查看，视频原画倍速播放。
（2022）Decision Fusion for Stock Market Prediction: A Systematic Review
评价：原文值得精读，质量高。混合模型有前景，但论文有75篇，可以结合自己喜好挑着看
一作是中国科学技术大学的，在马来西亚读博，作者说多模型融合决策比单模型预测强，但多模型融合决策方面的综述不多，所以有了这篇综述。
作者指出决策融合包含：数据融合、特征融合、决策融合，融合没有特定的方法。然后总结了每种预测模型的特色，总结目前各种决策融合的方法，并基于预测模型的结构进行分类，最后描述未来方向。作者找了642篇论文，过滤出75篇质量好的。
第4部分盘点了各学习器（就是混合模型中的每个模型，叫做一个learner）的特点：
混合模型中分两种情况（FIGURE 4对此作出了解释）：
1、不同模型用相同算法：
table 3 统计了分类任务中，各论文使用的算法；
table 4 统计了回归任务中，各论文使用的算法；
2、不同模型用不同算法：
table5分类任务的；
table6回归任务的；
FIGURE 5展示了2种任务的具体内容，table7、table8是相关统计。
第5部分盘点了混合模型的决策方法：
FIGURE 6展示了分类、回归的决策方法。其中Voting，tree-based（ref27表现最好）用的最多，FIGURE 7、8统计了各论文对不同决策方法的使用情况。
第6部分总结了混合模型的类型，有四种（FIGURE 9是他们的架构图）：
1) traditional ensemble。 用的人最多且从2000年开始每年都在涨。每个learner生成完整预测
2) decomposition-based ensemble。2015年后开始流行，回归任务独有，每个learner生成部分预测
3) fusion models integrating auxiliary forecasting。1990年出现，把辅助的结果融合给主模型，比较小众。（辅助可以是model也可以不是，我觉得可以用fuzzy control试试）
4) two-stage ensemble。第一阶段的预测结果作为第二阶段的输入，比较小众。
展望：混合模型可以加入更多算法,如jump-diffusion model、GAN、GNN和capsule network,可以成为研究人员的未来方向；把情绪分析加入到决策融合 来提升预测能力。
（2022）A comprehensive review on multiple hybrid deep learning approaches for stock prediction
评价：原文值得精读，作者提炼出了论文精华，能让读者对模型的具体算法、处理流程有详细了解，并直接指导实践。
印度的，作者能简要讲出历史论文的亮点，省得自己看论文了。
盘点了4种主流应用的效果对比、原理、历年来部分paper的结果，评估性能用RMSE（ root mean square error）, MAPE, MAE，MSE等。
1，Autoregressive Integrated Moving Average (ARIMA)
人们对于时序数据进行统计分析时，数据得是平稳的，比如均值方差啥的不能变，但现实里它会变，ARIMA就是用来解决非平稳性的。
1997年提出，Fig1 是它的流程图，Fig2是算法示意图 19年、21年的几篇可以看看，19年Roy那篇预测准确率达到90%
2、LSTM，Fig3,4是模型图和流程图， Fig5是算法图。 结论说这个比ARIMA强很多。
3、CNN。这个主要讲 CNN-LSTM。 输入信号（买卖信号），用卷积层提取特征，池化层降低kernel数，flatten layer把所有特征转为单维向量，把单位向量作为输入传给LSTM层，Fig6是流程图,Fig7是模型图，Fig8是算法示意图。
（李沐的课里提到过CNN处理序列就是把数据看成1维向量处理，不同特征看作通道（这怎么看？可能意思是不同特征的数据，比如10天的收盘价（10,1）的一维向量，10天的某个指标值又是个(10,1) 一维向量）
后来陆续出现了：2020 CNN-BiLSTM-AM，2021 CEEMD-CNN-LSTM，CNN比其他网络更能capture rapid changes，2021 GC–CNN，2021 one dimensional CNN，2020 基于reinforcement learning并用CNN提取特征用于量化风险，2021 Hybrid of CNN-TLSTM (tanh-LSTM) 比单个模型强，回撤小，也是CNN提取特征。
4、情绪分析
NLP分析文本情绪（我试试用模糊理论情绪分类？比如小乐观、中乐观、大乐观，或用注意力去分析文本情绪），Fig9是流程图。
作者在结论总结了一下：LSTM and Hybrid LSTM 预测价格更好， CNN and Hybrid CNN预测趋势更好，CNN-LSTM Hybrid适合资产组合，hybrid CNN and LSTM适合做日内高频。
（2022）Algorithmic Trading and Cryptocurrency-a literature review and key findings
评价：原文不值得看
只讲了交易算法在加密货币领域的应用现状，比如谁把数据挖掘用在了加密货币，给个论文链接，高频交易在加密币上比较受限，给个论文链接，就只粗浅地描述历史，没有亮点。
-------------正文结束-------------
我的研究方向是机器学习在金融预测领域的应用，啃论文是体力活，大家资源共享能少走弯路，
我筛选出的所有论文及代码链接，都放在公众号-想啃论文了，
里面还有我开发的机器人，用于实盘验证论文策略，并输出交易信号，大家可免费使用，仅供科研交流。