Neural Titans in market prediction: MLP, transformer, & hybrid models across G-7 and China
Notice bibliographique
Résumé
This study aims to conduct a comparative evaluation of eight state-of-the-art forecasting models – TimeMixer, PatchTST, iTransformer, NHITS, NBEATS, SOFTS, RMoK, and BiTCN – representing diverse deep learning architectures, neural basis expansion techniques, and hybrid approaches, for predicting stock market prices. We assess their performance across seven major global indices: the Shanghai Stock Exchange, S&P/TSX Composite, FTSE 100, DAX, CAC 40, S&P 500, and Nikkei 225, using rigorous metrics (MAE, SMAPE and RMSE). Our findings indicate that neural basis expansion models (NHITS, NBEATS) achieve superior overall accuracy (aggregated MAE: 0.013–0.014), particularly in North American and Asian markets. In contrast, transformer-based architectures exhibit market-specific strengths, with iTransformer delivering exceptional performance on Canada’s S&P/TSX (MAE: 0.003). Notably, European indices (DAX, CAC 40) present significant challenges, where BiTCN and RMoK underperform (MAE: 0.032–0.038), suggesting limitations in modelling abrupt volatility shifts characteristic of these markets. These results highlight critical regional performance variations and provide insights into architectural efficacy under diverse market conditions.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».