Forecasting Models for Apple Inc. Stock Price Using Regression Smoothing and Box Jenkins Time Series Analysis
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
In financial markets, stock price forecasting plays a critical role in investment decision-making, especially for globally influential companies like Apple Inc. This study aims to develop and assess models for predicting Apple Inc.'s stock price using various approaches, including regression analysis, smoothing methods, and the Box-Jenkins methodology. We analyzed ten years of Apple Inc.'s historical adjusted closing price data to construct models such as unregularized regression, regularized regression (Ridge and Lasso), smoothing methods (including exponential smoothing and moving averages), and the Box-Jenkins (SARIMA) model. The dataset was divided into training and test sets, and the predictive performance of each model was evaluated using the Average Prediction Squared Error (APSE). The findings indicate that the Simple Exponential Smoothing model performed best for short-term predictions, with an APSE of 0.01455. The Box-Jenkins model achieved an APSE of 0.08270, unregularized regression 0.021, while Ridge and Lasso models yielded APSEs of 0.6 and 4.97, respectively. In summary, smoothing methods are well-suited for short-term forecasting, while the Box-Jenkins method offers greater stability but comes with added complexity. Investors should choose forecasting models based on their specific requirements. This study provides empirical evidence for stock price forecasting and contributes new insights into the application of financial analysis and data science techniques.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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