Time Series Analysis of Netflix's Stock Closing Prices: From Data Processing to Forecasting
Notice bibliographique
Résumé
This study delves into the complexities of time series forecasting, a field that intersects statistics, data science, and econometrics to predict sequential data patterns.Focusing on the challenge of forecasting Netflix's closing stock prices from February 2018 to January 2022, we evaluated the performance of three distinct models: SARIMA (seasonal autoregressive integrated moving average), Prophet, and XGBoost (extreme gradient boosting).Each model demonstrated unique strengths and limitations.SARIMA offered solid baseline accuracy but struggled to capture abrupt price fluctuations inherent in stock market behavior.Prophet enhanced interpretability by effectively modeling seasonality and trends, yet it showed limitations in precision.In contrast, XGBoost excelled in capturing complex nonlinear patterns and better reflected the dynamic nature of stock price movements.The core innovation of this research lies in the development of a hybrid model combining SARIMA and XGBoost through optimized weighting.This hybrid approach outperformed individual models by balancing statistical robustness with adaptive learning capabilities, leading to improved accuracy and better trend representation.However, while Root Mean Square Error (RMSE) was used as the primary evaluation metric, it became evident that RMSE alone is insufficient to fully assess forecasting quality, particularly in capturing trend dynamics.This highlights the necessity for more comprehensive evaluation metrics, paving the way for future research in advancing time series forecasting methodologies.
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 | 0,006 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,002 | 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 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 ».