Exploring Information Categories and Artificial Neural Networks Numerical Algorithms in S&P500 Trend Prediction
Notice bibliographique
Résumé
The purpose of this study is to examine three major issues. First, the authors compare the performance of economic information, technical indicators, historical information, and investor sentiment measures in financial predictions using backpropagation neural networks (BPNN). Granger causality tests are applied to each category of information to select the relevant variables that statistically and significantly affect stock market shifts. Second, the authors investigate the effect of combining all of these four categories of information variables selected by Granger causality test on the prediction accuracy. Third, the effectiveness of different numerical techniques on the accuracy of BPNN is explored. The authors include conjugate gradient algorithms (Fletcher-Reeves update, Polak-Ribiére update, Powell-Beale restart), quasi-Newton (Broyden-Fletcher-Goldfarb-Shanno, BFGS), and the Levenberg-Marquardt (LM) algorithm which is commonly used in the literature. Fourth, the authors compare the performance of the BPNN and support vector machine (SVM) in terms of stock market trend prediction. Their comparative study is applied to S&P500 data to predict its future moves. The out-of-sample forecasting results show that (i) historical values and sentiment measures allow obtaining higher accuracy than economic information and technical indicators, (ii) combining the four categories of information does not help improving the accuracy of the BPNN and SVM, (iii) the LM algorithm is outperformed by Polak-Ribière, Powell-Beale, and Fletcher-Reeves algorithms, and (iv) the BPNN outperforms the SVM except when using sentiment measures as predictive information.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».