A predictive system integrating intrinsic mode functions, artificial neural networks, and genetic algorithms for forecasting S&P500 intra‐day data
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
Summary There is an abundant literature on the design of intelligent systems to forecast stock market indices. In general, the existing stock market price forecasting approaches can achieve good results. The goal of our study is to develop an effective intelligent predictive system to improve the forecasting accuracy. Therefore, our proposed predictive system integrates adaptive filtering, artificial neural networks (ANNs), and evolutionary optimization. Specifically, it is based on the empirical mode decomposition (EMD), which is a useful adaptive signal‐processing technique, and ANNs, which are powerful adaptive intelligent systems suitable for noisy data learning and prediction, such as stock market intra‐day data. Our system hybridizes intrinsic mode functions (IMFs) obtained from EMD and ANNs optimized by genetic algorithms (GAs) for the analysis and forecasting of S&P500 intra‐day price data. For comparison purposes, the performance of the EMD‐GA‐ANN presented is compared with that of a GA‐ANN trained with a wavelet transform's (WT's) resulting approximation and details coefficients, and a GA‐general regression neural network (GRNN) trained with price historical data. The mean absolute deviation, mean absolute error, and root‐mean‐squared errors show evidence of the superiority of EMD‐GA‐ANN over WT‐GA‐ANN and GA‐GRNN. In addition, it outperformed existing predictive systems tested on the same data set. Furthermore, our hybrid predictive system is relatively easy to implement and not highly time‐consuming to run. Furthermore, it was found that the Daubechies wavelet showed quite a higher prediction accuracy than the Haar wavelet. Moreover, prediction errors decrease with the level of decomposition.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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