A Novel Parallel Recurrent Fusion Network for Stock Market Forecasting
Notice bibliographique
Résumé
Stock market forecasting is inherently difficult due to the volatile and nonlinear nature of financial data. Traditional statistical models, such as ARIMA, often fail to capture long-term dependencies, while deep learning models-particularly Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU), have shown better predictive performance. However, single-model architectures do not usually tap the various benefits provided by different recurrent networks. In this work, we proposed the Parallel Recurrent Fusion Network (PRFN), a novel hybrid model that combines the strengths of RNN, LSTM, and GRU to improve stock price forecasting accuracy without compromising computational efficiency. The model was trained on 16 years (5,844 days) of historical stock data from Reliance Industries Ltd, normalized and segmented with a sliding window (60-day lookback and 7-day forecast horizon). Performance evaluation included Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Coefficient of Determination (R2) for direct multi-step forecasting, sequence-to-sequence forecasting, and the proposed hybrid model. The experimental results reveal that the RNN-based direct multi-step model surpassed standalone LSTM and GRU models by achieving R2of 0.939 and RMSE of 35.39, while the proposed PRFN (RNN + GRU) gave us an RMSE of 34.52 and R2of 0.942. These findings suggest that the concurrent use of hybrid deep learning models could greatly improve stock price predictability, all while melding together the many strengths of different recurrent architectures.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 0,001 |
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 ».