Artificial Intelligence and Machine Learning for Stock Market Prediction: A Systematic Literature Review of Methods, Emerging Paradigms, Reproducibility, and Evaluation Gaps (2016-2026)
这项针对 685 项研究（2016–2026 年）的系统性文献综述分析了人工智能驱动的股票市场预测在演变、可复现性及评估差距方面的现状，揭示了由于广泛存在的诸如数据泄露、缺乏代码共享以及统计检验不足等问题，导致报告的模型准确率与实际交易效用之间存在严重的脱节。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
股票价格极难预测。它们并不按直线运动，往往充满噪声，并且其行为会随时间而变化。几十年来，经济学家试图利用简单的数学规则来预测这些波动，这些规则假设未来会与过去高度相似。但随着计算机变得越来越快、功能越来越强大，新一代研究人员开始利用人工智能在混沌中寻找模式。这些被称为机器学习模型的系统可以消化海量的历史数据，以发现人类分析师可能会忽略的细微信号。其前景令人向往：如果计算机能学会预测股票的走势，它就能创造巨大的财富。然而，尽管令人兴奋，该领域却一直受到一个持久问题的困扰。许多研究声称发现了获胜的公式，但当其他人试图重复这些工作时，结果往往会消失。
一组研究人员致力于了解为什么在论文报告的内容与现实世界中实际有效的内容之间存在这种差距。他们对 2016 年至 2026 年间发表的 685 项科学研究进行了大规模审查，考察了目前人工智能如何被用于预测股票市场。他们的工作本身并不是一个新的预测模型，而是对整个领域的深度审计。他们查看了所构建的计算机架构类型、过去十年中方法是如何变化的，以及最关键的一点——这些结果是否可靠。通过筛选数千页的研究资料，他们揭示了一个现状：技术正在飞速发展，但证明该技术有效的标准却未能跟上步伐。
研究人员发现，该领域已经远远超越了简单的线性方程。在他们审查的早期阶段，研究依赖于旧的统计工具或基础的机器学习技术。到了 2020 年代，主流方法转向了深度学习，特别是被称为“长短期记忆网络”（LSTM）的一种神经网络。这类网络旨在记忆事件序列，因此非常适合处理像股价这样的基于时间的数据。事实上，他们审查的研究中近 90% 都使用了这种技术形式的某种变体。最近，该领域开始采用更加复杂的系统，包括模仿大型语言模型处理文本方式的模型，以及将不同公司之间的关系视为巨大且不断变化的网状节点进行分析的系统。工具的多样性呈爆炸式增长，研究人员现在将价格数据与新闻文章、社交媒体情绪，甚至供应链连接结合起来，以进行预测。
然而，作者发现，这种复杂性的爆发并未伴随着可靠性的同步提升。当他们审计这些研究的可复现性（即其他科学家使用相同的数据和代码能否得到相同结果的能力）时，发现了一个惊人的短缺。在 685 项研究中，只有约 7.6% 提供了运行模型所需的实际计算机代码。绝大多数研究人员在发表研究结果时并未分享生成结果的工具。这意味着大多数报告的成功案例是无法被验证的。此外，研究人员还确定了研究中经常在无意中引入错误的五种具体方式，即使并非出于本意。其中一个常见的错误涉及使用来自未来的信息来训练模型。例如，如果研究人员在将数据拆分为训练集和测试集之前，使用整个十年期间的最高价和最低价来进行数据归一化，那么模型在训练阶段实际上已经“看到了”未来。这创造了一种高准确性的幻象，而一旦模型应用于新的、未见过的数据，这种准确性就会崩塌。
该综述还强调了实验室模型与真实市场表现之间的脱节。许多研究报告了令人印象深刻的准确率，有时声称能正确预测股票方向的概率超过 90%。然而，这些研究往往忽略了交易成本，例如手续费以及交易者希望支付的价格与实际成交价格之间的差额。当研究人员寻找包含这些现实世界摩擦因素的研究时，发现此类研究寥寥无几。此外，大多数论文都没有使用严格的统计检验来证明其结果优于随机概率。相反，它们依赖于容易产生误导的简单比较。作者指出，一个模型之所以看起来像个天才，可能仅仅因为它擅长重复昨天的价格，这种技巧在纸面上表现出色，但在实盘交易中却赚不到钱。
尽管存在这些缺陷，研究人员并未得出人工智能对金融毫无用处的结论。相反，他们认为该领域正处于一个转折点。工具很强大，但使用和评估这些工具的方式过于松散，难以信赖。该团队提出了旨在解决这些问题的新标准。他们呼吁研究人员公开分享他们的代码和数据，使用能够防止未来数据泄露的滚动时间窗口来测试模型，并在模拟中计入交易成本。他们还坚持认为，成功的声明必须有正式的统计学证明支持，而不仅仅是展示一张图表上的高数值。作者警告说，如果不进行这些改变，该领域将继续产生那些无法转化为实际经济价值的华丽成果。前行的道路需要从追求最复杂的算法，转向构建最诚实且可验证的算法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。