Integrating AI and Econometrics for Equity Forecasting: A Case Study on Apple and Microsoft Stocks
Notice bibliographique
Résumé
Financial forecasting in the US stock market has traditionally relied on econometric models such as ARIMA, SARIMA, and GARCH, which offer interpretability and robust performance in stable environments. However, the increasing complexity and volatility of modern markets— driven by nonlinear dynamics and high-frequency trading—have exposed the limitations of these classical approaches.This research aims to evaluate and compare the predictive performance of traditional econometric models and AI-augmented methods, with a special focus on the Prophet model, in forecasting stock prices and volatility for major US firms, specifically Apple (AAPL) and Microsoft (MSFT). The study seeks to determine whether hybrid AI-econometric frameworks provide superior accuracy and risk quantification compared to standalone models. Historical daily price data (January–June 2024) from Yahoo Finance underwent preprocessing: log-return transformation, stationarity enforcement (ADF/PP tests), outlier winsorization, and volatility clustering validation. Models were trained on 80% of the data (105 observations) and tested on 20% (26 observations). Performance was measured via RMSE, MAE, AIC/BIC, and uncertainty interval accuracy. Prophet outperformed traditional models, reducing Apple’s RMSE by 6% (7.02 vs. 7.46) and MAE by 8.9% (4.70 vs. 5.16) compared to AI-augmented ARIMA. For Microsoft, Prophet achieved 11% lower RMSE (9.46 vs. 10.64) and 14.4% better MAE (5.89 vs. 6.88). AI-augmented GARCH improved volatility forecasts by 19% for Apple, capturing asymmetric responses missed by classical GARCH. Hybrid models (e.g., Prophet-GARCH) demonstrated superior trend reversal detection but increased operational complexity. Integrating AI with econometric models significantly enhances forecasting accuracy and risk quantification, particularly through Prophet’s uncertainty intervals and adaptability to structural breaks. While computational demands and small-sample biases remain challenges, these hybrids offer actionable insights for portfolio optimization and crisis preparedness in volatile 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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».