Long Short Time Memory in the forecast of financial indices in the Brazilian market (Ibovespa)
Notice bibliographique
Résumé
The present investigation seeks to evaluate different models of recurrent neural networks such as Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (BLSTM) and Gated Recurrent Units (GRU) in comparison with the ARIMA model, whose purpose is to find which of these models is capable of making a better forecast for the closing price of 5 steps forward in the stock index of the Sao Paulo Stock Index (IBOVESPA).The optimization of the parameters makes it possible to reduce the cost function (minimum square error).Based on 8 configurations with more than 720 simulations, we discovered that the ADAMAX optimizer has performed better compared to the NADAM and ADAM optimizers, presenting a lower cost function.In the simulations of the different configurations, the average and the standard deviation of different models have been considered.The GRU model with the ADAMAX optimizer was more efficient in more than 90% of the results obtained.The final configuration was the GRU model with a batch size equal to 5, with 250 epochs, a learning ratio equal to 0.001 and with 30 neurons.This configuration presented a lower mean square error and therefore better forecasts.Therefore, the LSTM and BLSTM models did not present a lower cost function compared to the GRU model.Also, the ARIMA model did not have an optimal result compared to recurrent neural network models..
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».