Towards building a hybrid model for predicting stock indexes
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
Predicting stock prices using computer generated models has been a popular research topic and has also been widely explored. However, the connectivity of the global financial market, availability of big data in multiple domains that influence the financial market, accessibility of information in real time and the demand for fast analytics continue to offer new research challenges. One of the complexities stems from the numerous ways in which we seek to set prediction parameters, whether it is the difference in an individual stocks' growth pattern or the time frame in which the predictions occur. The level of complexity has created a trend towards more advanced techniques in this field namely, the research into developing hybrid models that are composed of multiple prediction models with a view to yield more accurate results. The Proposed Hybrid Model (PHM) used in this paper is a combination of an Exponential Smoothing Model (ESM), an Auto Regressive Integrated Moving Average (ARIMA) model, and a Back-propagation Neural Network (BPNN) model. PHM combines the predictions of each of the component model based on weights assigned by a genetic algorithm, which is designed to provide an optimum output. In this paper, we seek to use the S&P 400 and 500 indexes to train and test the PHM to find daily closing values. For comparison of the results, Directional Accuracy (DA) is used as a metric. It was found that the results for the ARIMA and ESM on daily stock index data were far less accurate than that of the BPNN, which received comparable results to the baseline. However, due to the poor results of the ARIMA and ESM the hybrid model showed no significant results for the data and was inferior to the baseline.
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 | 0,011 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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