Financial Bubble Detection Using GSADF and LSTM-RNN Model: Evidence from Emerging Markets
Notice bibliographique
Résumé
Forecasting financial bubbles is a crucial task in financial economics due to the disruptive impact of asset price collapses on markets and economic stability. This study proposes a novel approach to bubble prediction by integrating the PSY (Phillips, Shi, and Yu) procedure for bubble detection with Long Short-Term Memory Recurrent Neural Networks (LSTM-RNN), a machine learning technique well-suited for modeling nonlinear time-series patterns. Using weekly data from the Vietnamese stock market covering the period from 2015 to 2025, we construct a binary dependent variable indicating the presence of bubble episodes based on the GSADF test. Key macro-financial variables, including returns, volatility, and geopolitical risk, are employed as predictors. The LSTM-RNN model is trained and validated using a time-split approach (2015–2019 for training, 2020–2022 for validation, and 2023–2025 for testing), ensuring robustness and preventing overfitting. Out-of-sample results demonstrate that the LSTM-RNN achieves a high accuracy of over 81% and significantly outperforms a random walk benchmark. Our findings highlight the critical role of macroeconomic uncertainty, especially geopolitical risk, in driving bubble dynamics. This research contributes to the literature by offering an early warning framework that combines econometric detection with advanced machine learning, supporting better decision-making for investors and financial regulators in emerging markets.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».