Enhancing Stock Price Forecasting with LSTM Networks: A Comparative Study of Classic and PSO-Optimized Models on S&P 500 Stocks
Notice bibliographique
Résumé
This study is part of an empirical and quantitative approach aimed at improving stock market fluctuation forecasting through the application of artificial intelligence models. More specifically, it evaluates the performance of two methods based on Long Short-Term Memory (LSTM) neural networks, one of the most powerful algorithms for analyzing financial time series. The first method is grounded in a classic LSTM model, while the second incorporates hyperparameter optimization using the Particle Swarm Optimization (PSO) metaheuristic method, allowing for better convergence and enhanced prediction accuracy. The study is conducted on ten stocks representing the US S&P 500 index, with historical data spanning several decades, collected via the Investing.com and Yahoo Finance platforms. The empirical results demonstrate a clear superiority of the LSTM-PSO model regarding predictive accuracy, with significant reductions in errors (MSE, RMSE, MAE, MSLE, and RMSLE) compared to the traditional model. These findings emphasize the advantages of combining artificial intelligence and algorithmic optimization for handling complex financial data. In the global context of digitization and automation of investment decisions, this research contributes significantly to the development of reliable predictive systems. Finally, the study raises the question of whether this methodological framework could be effectively adapted to emerging markets, such as the Moroccan Stock Market, where financial environments are characterized by lower trading volumes, different volatility patterns, and more limited historical data. This opens up avenues for future research into the challenges and opportunities of applying advanced AI-based forecasting models in less mature financial 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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 ».