股票预测神经网络综述精读：从 RNN 到 LLM 的方法图谱、评估与研究路线
我把这篇股票预测综述当作一张研究地图来读：RNN、CNN、Transformer、GNN、GAN、LLM 各自在解决什么问题，什么结果可以相信，什么结果必须先问数据和回测方式。
展卷阅读从传递熵图谱到密度加权学习：TE-LRD-KELM 多元时间序列预测精读
我把这篇论文当成对 KELM 的两次补课：变量不能只看和目标的相关性，样本也不能默认同等重要。本文记录了相位传递熵、局部相对密度和特征选择怎样接在一起，以及我会怎样检查它是否真的可靠。
展卷阅读从判别式模糊聚类到自适应注意力：DFCM-A-CNN-Transformer 多元预测精读
我把这篇论文读成一条很明确的路线：先让相似样本在模糊聚类中靠得更近，再由 CNN 决定自己还要不要继续提特征，最后把表征交给注意力模块；文中也记录了我对参数联动、QKV 表述和实验设计的疑问。
展卷阅读从特征筛选到分群预测：MCFS-LIFCM-EDKELM 多元时间序列框架精读
我读这篇多元时序预测论文时，重点记下了三件事：特征为什么要先筛、样本为什么要软分群，以及双核 ELM 怎样接住这些局部信息；文末也保留了我认为需要复查的实验与复现问题。
展卷阅读