ARMAX模型可能是一个不错的起点。

递归神经网络：

• 不假设的分布，$f_i$
• 的分布可以通过适当的损失函数来建模（高斯的平方和，拉普拉斯的差异之和，交叉熵，kulback leibler 散度，...）$x_t$
• 相当难以实现（需要先进的技术，如Hessian 自由优化或长短期记忆才能很好地工作）。

PyBrain有一个 LSTM 实现。

至关重要的是，您的数据频率是多少？这是高频新闻还是低频新闻？同样至关重要的是，您希望预测回报，而不是价格。

您的问题足够广泛，可以合法地列出每种监督学习/回归技术。

例如，您的新闻可能是高频新闻，这意味着响应基本上是不均匀的时间序列和离散的过程。而如果它是月度数据，则它更符合高斯分布，但定价也更有效，而且您没有样本量来测试模型的泛化能力。数据频率、市场流动性、微观结构和其他特定领域的问题将彻底改变所选择的统计模型。