Bayesian semi-shared temporal modeling: A comprehensive approach to forecasting multiple stock prices
Notice bibliographique
Résumé
Stock prices of different companies frequently display similar temporal fluctuations because of common influencing factors. Accurate prediction of stock prices is of utmost importance for investors in determining their investment strategies. Utilizing multivariate forecasting, which involves analyzing multiple time series, has been shown to be highly effective and efficient when applied to stocks that exhibit similar temporal patterns. It is possible to model the relationship between shares by using a shared temporal model approach. Nevertheless, it is important to note that not all stocks selected for prediction demonstrate a strong correlation; certain stocks may deviate from expected patterns. Therefore, the direct implementation of a comprehensive shared temporal component model is not universally applicable. This study presents a new method called the Semi-Shared Temporal Model, which focuses on the correlation structure among variables that have similar patterns, while also modeling all stocks simultaneously. This methodology is applied to the three leading stocks of 2023: Amazon (AMZN), Alphabet (GOOG), and MercadoLibre (MELI). Based on monthly data collected from January 2010 to December 2023, the study forecasts the stock prices for the months of January to December 2024. The analysis findings suggest that the temporal patterns of AMZN and GOOG shares are highly similar, which supports the idea of modeling them together with shared temporality. Three forecasting methods are utilized: univariate models, full shared temporal models, and semi-shared temporal models. The analysis determines that the semi-shared temporal model approach produces the most precise forecasting outcomes, with a Mean Absolute Percentage Error (MAPE) of 17.97%, surpassing both univariate and full shared temporal models. The forecast for 2024 indicates a favorable trajectory for all three stocks.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 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 ».