Stock index prediction based on Grey theory, ARIMA model and Wavelet method
Notice bibliographique
Résumé
In this thesis, we develop a new forecasting method by merging traditional statistical methods with innovational non-statistical theories for the purpose of improving prediction accuracy of stock time series. The method is based on a novel hybrid model which combines the grey model, the ARIMA model and wavelet methods. First of all, we improve the traditional GM(1, 1) model to the GM(1, 1, o, y) model by introducing two parameters: the grey coefficient and the grey dimension degree y. Then we revise the normal G-ARMA model by merging the ARMA model with the GM(1, 1, o, y) model. In order to overcome the drawback of directly modeling original stock time series, we introduce wavelet methods into the revised G-ARMA model and name this new hybrid model WG-ARMA model. Finally, we obtain the WPG-ARMA model by replacing the wavelet transform with the wavelet packet decomposition. To keep consistency, all the proposed models are merged into a single model by estimating-parameters simultaneously based on the total absolute error (TAE) criterion. To verify prediction performance of the models, we present case studies for the models based on the leading Canadian stock index: S&P/TSX Composite Index on the daily bases. The experimental results give the rank of predictive ability in terms of the TAE, MPAE and DIR metrics as following: WPG-ARMA, WG-ARMA, G-ARMA, GM(1, 1, o, y), ARIMA.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».