A Hybrid Model Combining Discrete Wavelet Transform and Nonlinear Autoregressive Neural Network for Stock Price Prediction: An Application in the Egyptian Exchange
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
Forecasting stock prices is crucial for successful investment in financial markets. However, it is challenging due to the nonlinearity and high volatility caused by various factors influencing price movements. This paper proposes a hybrid model that integrates the discrete wavelet transform (DWT) with the nonlinear autoregressive neural network (NARNN) to predict stock prices. Following the division of stock prices into training and testing sets, the DWT decomposes the training set into low- and high-frequency components reducing the noise and lessening the data's nonlinearity. Then, the obtained components are used to train the NARNNs. To predict the future components, the model decomposes the preceding available prices at each time step and utilizes the latest eight points as input to the NARNNs. Eventually, NARNNs' outputs are combined to provide the final predicted prices. In previous works, the entire dataset is first decomposed and then partitioned into training and testing sets. This unrealistic approach causes the testing set to inherit information regarding stocks' future performance, leading to optimistic deceptive results. Twenty-four stocks from the Egyptian Exchange (EGX-30) are utilized to validate the proposed model's performance. The DWT-NARNN model is compared against other methods, and the empirical findings show that it performs the best.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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