Enhancing Predictive Accuracy through the Analysis of Banking Time Series: A Case Study from the Amman Stock Exchange
Notice bibliographique
Résumé
This empirical research endeavor seeks to enhance the accuracy of forecasting time series data in the banking sector by utilizing data from the Amman Stock Exchange (ASE). The study relied on daily closed price index data, spanning from October 2014 to December 2022, encompassing a total of 2048 observations. To attain statistically significant results, the research employs various mathematical techniques, including the non-linear spectral model, the maximum overlapping discrete wavelet transform (MODWT) based on the Coiflet function (C6), and the autoregressive integrated moving average (ARIMA) model. Notably, the study’s findings encompass the comprehensive explanation of all past events within the specified time frame, alongside the introduction of a novel forecasting model that amalgamates the most effective MODWT function (C6) with a tailored ARIMA model. Furthermore, this research underscores the effectiveness of MODWT in decomposing stock market data, particularly in identifying significant events characterized by high volatility, which thereby enhances forecasting accuracy. These results hold valuable implications for researchers and scientists across various domains, with a particular relevance to the fields of business and health sciences. The performance evaluation of the forecasting methodology is based on several mathematical criteria, including the mean absolute percentage error (MAPE), the mean absolute scaled error (MASE), and the root mean squared error (RMSE).
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 | 0,002 | 0,005 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».