Ensemble Learning with an Adversarial Hypergraph Model and a Convolutional Neural Network to Forecast Stock Price Variations
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
AI has increased scholarly interest in predicting financial stock prices, a tough task.Recurrent neural network (RNN) time series price movement analysis is common but ignores market, investor, and headline factors.Graph neural networks excel at capturing complicated relationships and learning representations, making them useful for a variety of applications.This study investigates the predictive capabilities of graph neural networks about stock prices.Recent studies motivated to utilize hypergraphs for capturing intricate group-level data, such as corporate mobility patterns.Using a graph model to obtain paired linkages sets us apart from previous studies on hypergraphs.Also, demonstrated that using RNNs after applying this fundamental graph model is not advisable, in contrast to previous research.This study demonstrates the potential of future Recurrent Neural Networks (RNNs) to acquire knowledge about the long-term interconnections across companies, leading to enhanced predictive capabilities.The proposed model is an innovative ensemble learning framework that created specifically for the purpose of forecasting stock values.Part, one consists of a Graph Convolution Network (GCN), which encodes price and industry pairs.Part two involves a hypergraph convolution network that conducts adversarial training by modifying inputs before the final prediction layer.This modification facilitates the transmission of group-oriented information through hyperedges.There is empirical evidence that suggests that the proposed model outperforms approaches that are considered to be state-of-the-art on average and demonstrates remarkable performance during times when the market is declining.The proposed framework beats the second-best baseline by increments of 1.14%, 3.63%, and 2.45% for three different five-days, ten days and twenty days trade periods.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,000 | 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