Forecasting Stock Prices of Companies Producing Solar Panels Using Machine Learning Methods
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
Solar energy has become an integral part of the economy of developed countries, so it is important to monitor the pace of its development, prospects, as well as the largest companies that produce solar panels since the supply of solar energy in a particular country directly depends on them. The study analyzes the shares of Canadian Solar Inc. and First Solar Inc. The purpose of the study is to study the possibility of forecasting the stock price of solar energy companies using neural networks for the purpose of subsequent investment. The recurrent neural network LSTM is used in the article and this approach is based on complexity theory. Machine learning technologies are now being actively implemented in various sectors of the economy and are considered effective. The program used assigns different significance to the data of the last months and the data for the first months of the 1st year. The first year of the last 5 years of the company’s activity is taken as the first year since more distant data no longer have significant significance for the forecast. In the course of the study, a forecast of the stock price of Canadian Solar Inc. and First Solar Inc. for 245 days was obtained. Based on the results obtained, the following conclusions were made: 20 neurons of the network is not enough to make an accurate forecast, but the level of confidence in such a forecast is high enough, neural network forecasts are applicable in investing and are accurate enough to determine medium‐ and long‐term trends, but these forecasts are not applicable for traders. The direction of improving the accuracy of neural network predictions is promising for further research.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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