Forecasting Models for Apple Inc. Stock Price Using Regression Smoothing and Box Jenkins Time Series Analysis
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».