Stock Price Prediction Using a Multivariate Multistep LSTM: A Sentiment and Public Engagement Analysis Model
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 impact of many factors on stock price has made the prediction of the stock market a problematic and highly complicated task to achieve. IoT analytics has enabled predictive analysis concerning the stock market, with internet search trends, reactions to current events, Twitter data, and historical stock returns as input data. Although inconsistencies remain as to which data sources are deemed most adequate, data preprocessing techniques have successfully overcome data integrity issues and unstructured data formats in specific applications. Additionally, advancements in computational power and machine learning technologies have led to the ability to handle tremendous amounts of information, accompanied by the growth of interest in this specific domain. In this paper, a Multivariate Multistep Output Long-Short-Term-Memory (MMLSTM) model is proposed to provide a one-week prediction on the stock close value for the technology company, “Apple Inc.” with the stock name “AAPL”. A large variety of data sources enabled by IoT platforms have been employed to model the impact of public sentiment and engagement on the closing price of this particular stock by looking at Google Search Trends, e-News headlines, and Tweets involving AAPL and its products. The proposed MMLSTM has improved the Mean Square Error (MSE) of up to 65% compared to ARIMA and Random Forest models. In addition, the proposed MMLSTM has outperformed most of the LSTM models introduced in the literature.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 découle