Hybrid Machine Learning Models for Time Series Forecasting: Integrating LSTM-Inspired Neural Residuals with Traditional Predictive Techniques in the Finance Domain
Notice bibliographique
Résumé
Forecasting financial time series remains one of the most challenging problems in computational finance due to volatility, non-stationarity, and regime shifts. Cryptocurrencies, particularly Bitcoin, represent a unique testbed owing to their extreme fluctuations and structural breaks. In this paper, we propose a novel Hybrid Dynamic Error-Correcting Ensemble (DECE) framework that integrates classical econometric methods (ARIMA, Seasonal-Naïve) with neural residual learners inspired by long short-term memory (LSTM) architectures. Unlike conventional hybrids with static weights, DECE dynamically adjusts model contributions based on rolling error statistics, thereby adapting to shifts in volatility and market regimes. Using Bitcoin/USD data at both daily and 15-minute frequencies (2012–2025), we conduct rigorous evaluations across multiple error metrics (MAE, RMSE, MAPE, sMAPE) and statistical significance testing (Diebold– Mariano). Results indicate that while naïve benchmarks remain highly competitive at daily horizons, the proposed DECE hybrid significantly outperforms all baselines, particularly in intraday forecasting where volatility clustering and nonlinear effects dominate. Our findings highlight the importance of adaptive hybridization in financial forecasting, offering both theoretical insights and practical tools for traders, risk managers, and policymakers in highly dynamic financial environments.
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 | 0,020 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».