Intraday Stock Price Prediction using Machine Learning: A Case Study on YFinance Stock Data
Notice bibliographique
Résumé
This paper explores short-term stock price forecasting using high-frequency 2-minute interval data for Apple Inc. (AAPL), focusing on the application and evaluation of three predictive modeling approaches: Linear Regression, XGBoost, and Long Short-Term Memory (LSTM) neural networks. The dataset, collected via Yahoo Finance (YFinance API), was enriched with technical indicators, rolling statistics, and lag features to support predictive learning. The models were evaluated on their ability to predict the next closing price and directional movement. While Linear Regression achieved the highest R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> score (0.9778) and lowest MSE (0.0502), XGBoost demonstrated competitive performance and provided valuable insights into feature importance. LSTM, though promising for capturing sequential dependencies, underperformed with a higher MSE (0.2490) and reduced R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> (0.8932), likely due to the noisy and highly volatile nature of intraday data. All models showed limited directional accuracy (~52%), highlighting the challenge of predicting micro-movements in high-frequency financial time series. This study concludes with a discussion on the strengths and limitations of each approach and outlines future improvements including feature selection, hybrid modeling, and enhanced data preprocessing to boost intraday forecast reliability.
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 | 0,029 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,000 | 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 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 ».