On the Superiority of Data-Driven Combined Forecasts Based on Deep Learning Models
Notice bibliographique
Résumé
Forecasting financial asset prices and quantifying associated risks are critical challenges in computational finance. This paper presents an optimal forecast combination framework by integrating advanced time series models and machine learning techniques to enhance prediction accuracy and risk assessment. A novel data-driven risk measure (DDRisknew) based on price differences is introduced, and sign correlation is used to capture risk and mitigate the limitations of traditional risk metrics. Our approach incorporates state-of-the-art forecasting models, including ARIMA, Neural Network Autoregressive, Long Short-Term Memory, XGBoost, and Random Forest, alongside two combination methods: equally weighted averages (FComp_SA) and datadriven optimal weighted averages (FComp_Weighted). Experimental results conducted on a dataset of stocks from ten diverse sectors during the highly volatile COVID-19 period demonstrate the superior performance of FComp_Weighted in minimizing forecasting errors across multiple metrics (RMSE, MAE, MAPE). Moreover, the RMSE of asset price and DDRisknewforecasts using FComp_Weighted models is always lower than the RMSE obtained using the FComp_SA model. This study underscores the importance of combining forecasts and provides a robust, computationally efficient framework for predictive modeling in financial markets. These findings have implications for algorithmic trading, portfolio optimization, and risk management, paving the way for future applications in broader domains like energy and cryptocurrency 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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».