A Supervised Classification System of Financial Data Based on Wavelet Packet and Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The purpose of this paper is to present an automated system to classify financial data patterns as indicators of stock market future upward or downward moves. The classification system uses wavelet packet transform (WPT) for data decomposition and backpropagation neural networks (BPNN) for classification task. Its results are compared to those of a common classification system found in the literature which is based on ordinary wavelet transform (WT) and BPNN. In particular, the WPT is applied to the stock market data to obtain two categories of patterns: (i) approximation coefficients that represent major trend of the original data, and (ii) the residuals of the original data that capture its short-time variations. Therefore, those patterns are both complementary information used as inputs to classify stock market future shifts. For comparison purpose, BPNN and support vector machine (SVM) are separately used to classify patterns. Using S&P500 price index data, simulation results showed that both BPNN and SVM perform better with WPT extracted patterns (residuals and approximation coefficients) than standard approach based on WT approximation coefficients. In addition, BPNN outperform SVM. The WPT-NN based approach for financial data classification is more effective and promising than the standard approach adopted in the literature. The finding supports the adoption of the proposed classification system as an appropriate decision-making system in financial industry to classify financial data for forecasting purpose.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle