GS-MultiRC: Multi-step Reservoir Computing Leveraging Grid Search for Stock Indices Prediction
Notice bibliographique
Résumé
Stock market prediction plays a crucial role in investment decision-making, portfolio management, and risk assessment, significantly impacting financial stability and economic growth. Accurately forecasting stock prices, which are chaotic and nonlinear, has become a main point of financial research. Deep learning approaches, such as neural networks and long-short-term memory (LSTM) models, have been more reliable than traditional approaches such as the ARMA and ARIMA models. However, these methods require a lot of computational power, complex fine-tuning procedures, and often overfit, especially with limited or noisy data. Reservoir Computing (RC) has emerged as a potential alternative for financial time series prediction. It uses a fixed, randomly connected reservoir to capture patterns in data, requiring only the output layer to be trained. This design makes RC computationally efficient and simpler to use. However, RC models can struggle with overfitting when the reservoir is too large compared to the data or when the model can not adapt well to unseen data. To address these drawbacks, we propose a multi-step RC model, focusing on popular stock indices, including CSI300, FTSE100, S&P500, and SSE50. Our approach includes a retraining step where the reservoir evolves by forecasting some of the training data and simulating real-world testing conditions. These evolved internal states, affected by prediction errors, are used to retrain the output layer, making the model more robust and less likely to overfit. Our experiments show that our model performs more accurately and efficiently than conventional RC and LSTM models, making it a workable and trustworthy option for stock market prediction. This work contributes to utilizing RC-based approaches in terms of the financialforecasting domain.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».