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 (LSTM, BLSTM and GRU) in comparison with the ARIMA model, whose purpose is to determine 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 allows to reduce the cost function, for this reason, 8 configurations with more than 720 simulations were studied, discovering that the ADAMAX optimizer has worked better compared to the other optimizers, presenting a lower cost function (mean square error). 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. The LSTM, BLSTM models presented a lower cost function compared to the GRU model. Likewise, the ARIMA model did not have an optimal result compared to the 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 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 | 0,041 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,005 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».