Literature review on the application of ARMA model in stock price prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Predicting stock prices is a perennial quest in finance, yet price series are famously noisy, volatile and nonlinear. Among the many tools on offer, the autoregressive-moving-average (ARMA) model remains a surprisingly resilient workhorse. This review first sketches the logic of ARMA and the Box-Jenkins recipe for transforming raw prices into stationary returns, selecting lags and checking residuals. A broad body of evidence especially for 1 to 5 day horizons, confirms that ARMA delivers reliable, low-cost forecasts and, when paired with GARCH, can track volatility bursts with notable precision. Head-to-head studies show that on small samples or thin markets, ARMA often rivals much heavier deep-learning engines, while recent hybrids such as ARMA-LSTM and ARMA-Transformer marry linear transparency with nonlinear flexibility and shine on high-frequency data. We synthesise domestic and global findings, chart three clear trends, model fusion, finer time grids and AutoML optimisation, and flag the model’s blind spots: fixed coefficients, linear assumptions and sparse use of unstructured signals. Looking ahead, regime-switching ARMA, online updating, sentiment-rich inputs and risk-band forecasts (e.g., VaR, CVaR) promise to keep this classic framework both relevant and insightful.
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.
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 | 0,008 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle