最新研究顯示，人工智能在預測股市方面遭遇了重大挫折。研究指出，無論是采用長短期記憶網絡（LSTM）還是深度神經網絡（DNN）的人工智能模型，在預測股市走勢時均表現(xiàn)出極大的不準確性。
傳統(tǒng)的股市預測方法主要分為基本面分析和技術分析兩大流派。基本面分析側重于公司的財務狀況和宏觀經濟指標，旨在為長期投資者提供決策依據；而技術分析則側重于識別市場行為模式，如股價和成交量等指標，更適合短期交易者的需求。
伊朗謝里夫理工大學的一支科研團隊對此進行了深入研究。他們運用了包括卷積神經網絡（CNN）、長短期記憶網絡（LSTM）、Transformer以及這些模型的組合，對德黑蘭證券交易所（TSE）的12只股票進行了分析，并將預測結果與實際數(shù)據進行了對比。遺憾的是，這些模型的預測結果與實際情況大相徑庭。
面對這一挑戰(zhàn)，科研團隊并未放棄。他們進一步開發(fā)了一種新的預測模型，該模型不再直接預測股票的具體價格，而是轉向預測市場趨勢。這一模型采用了100天的歷史數(shù)據作為輸入，利用CNN提取歷史數(shù)據中的重復模式，并允許根據股市的隨機波動調整模型的敏感度，以期提高預測的實用價值。
然而，盡管團隊做出了諸多努力，改進后的模型在股市這一充滿噪音和混沌的環(huán)境中仍然難以準確預測。股市的復雜性和不確定性似乎超出了當前人工智能技術的預測能力。
值得注意的是，這項研究的結論是基于對德黑蘭證券交易所12只股票的追蹤分析得出的。因此，該結論可能并不適用于其他市場或其他股票。股市的多樣性和復雜性意味著，在不同的市場和股票中，人工智能的預測能力可能會有所不同。
盡管人工智能在預測股市方面遭遇了挫折，但這并不意味著人工智能在金融領域沒有潛力。隨著技術的不斷進步和算法的持續(xù)優(yōu)化，人工智能未來或許能在金融領域發(fā)揮更大的作用。然而，對于當前的股市預測而言，人工智能仍然面臨諸多挑戰(zhàn)。
