Hybrid Deep Learning Architectures for Stock Market Prediction
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
Accurate stock market prediction is a challenging task due to the volatile and nonlinear nature of it which depends on numerous factors as local and global economic conditions, company specific performance etc.It is not possible to account all existing relevant factors which influence the stock market in order to make respective trading decisions without having appropriate algorithms and techniques.A recent development of deep learning for making trading decisions has been growing rapidly with numerous research papers addressing stock market forecasting as time series regression problem.In recent years, Long Short-Term Memory (LSTM) neural networks have become the state-of-the-art models for a variety of machine learning problems which differ significantly in scale and nature.The central idea behind the LSTM architecture is a memory cell which can maintain its state over time, and non-linear gating units which regulate the information flow into and out of the cell.Most modern studies incorporate many improvements that have been made to the LSTM architecture since its original formulation.Considering the complexity of financial time series, combining deep learning with financial market prediction is regarded as a very important topic of research.The experiments in this study are divided into two sets which use different topologies.For our first experimental set we created the following hybrid sequential nonlinear models Convolutional Neural Networks (CNN), stacked LSTM, BiDirectional LSTM (BiLSTM) and Gated Recurrent Unit (GRU) with BiLSTM.For our second experimental set we propose a new deep learning topology based on Attention CNN_BiLSTM for pretraining and Light Gradient Bosting Machine (LGBM) as a regressor.The evaluation of experimental results indicates that the last proposed model achieves better performance in predicting stock market when compared to the models proposed in the first experimental set.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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