最新研究显示，人工智能在预测股市方面遭遇了重大挫折。研究指出，无论是采用长短期记忆网络（LSTM）还是深度神经网络（DNN）的人工智能模型，在预测股市走势时均表现出极大的不准确性。
传统的股市预测方法主要分为基本面分析和技术分析两大流派。基本面分析侧重于公司的财务状况和宏观经济指标，旨在为长期投资者提供决策依据；而技术分析则侧重于识别市场行为模式，如股价和成交量等指标，更适合短期交易者的需求。
伊朗谢里夫理工大学的一支科研团队对此进行了深入研究。他们运用了包括卷积神经网络（CNN）、长短期记忆网络（LSTM）、Transformer以及这些模型的组合，对德黑兰证券交易所（TSE）的12只股票进行了分析，并将预测结果与实际数据进行了对比。遗憾的是，这些模型的预测结果与实际情况大相径庭。
面对这一挑战，科研团队并未放弃。他们进一步开发了一种新的预测模型，该模型不再直接预测股票的具体价格，而是转向预测市场趋势。这一模型采用了100天的历史数据作为输入，利用CNN提取历史数据中的重复模式，并允许根据股市的随机波动调整模型的敏感度，以期提高预测的实用价值。
然而，尽管团队做出了诸多努力，改进后的模型在股市这一充满噪音和混沌的环境中仍然难以准确预测。股市的复杂性和不确定性似乎超出了当前人工智能技术的预测能力。
值得注意的是，这项研究的结论是基于对德黑兰证券交易所12只股票的追踪分析得出的。因此，该结论可能并不适用于其他市场或其他股票。股市的多样性和复杂性意味着，在不同的市场和股票中，人工智能的预测能力可能会有所不同。
尽管人工智能在预测股市方面遭遇了挫折，但这并不意味着人工智能在金融领域没有潜力。随着技术的不断进步和算法的持续优化，人工智能未来或许能在金融领域发挥更大的作用。然而，对于当前的股市预测而言，人工智能仍然面临诸多挑战。
