Multiresolution analysis of S&amp;P500 time series

Kılıç, Deniz Kenan; Uğur, Ömür

doi:10.1007/s10479-016-2215-3

Cited by 20 publications

(12 citation statements)

References 43 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Time-series data can be represented using different kinds of signal transforms such as Fourier and wavelet transforms. Wavelet transform has been found to outperform Fourier transform in analyzing non-stationary data; thus making it a good candidate for time-series decomposition [38]. Wavelet methodology was first introduced by Grossmann and Morlet [39].…”

Section: Literature Reviewmentioning

confidence: 99%

Combining Deep Learning and Multiresolution Analysis for Stock Market Forecasting

2021

View full text Add to dashboard Cite

Due to its complexity, financial time-series forecasting is regarded as one of the most challenging problems. During the past two decades, nonlinear modeling techniques, such as artificial neural networks, were commonly employed to solve a variety of time-series problems. Recently, however, deep neural network has been found to be more efficient than those in many application domains. In this article, we propose a model based on deep neural networks that improves the forecasting of stock prices. We investigate the impact of combining deep learning techniques with multiresolution analysis to improve the forecasting accuracy. Our proposed model is based on an empirical wavelet transform which is shown to outperform traditional stationary wavelet transform in capturing price fluctuations at different time scales. The proposed model is demonstrated to be substantially more effective than other models when evaluated on the S&P500 stock index and Mackey-Glass time series.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Combining Deep Learning and Multiresolution Analysis for Stock Market Forecasting

2021

View full text Add to dashboard Cite

show abstract

“…Eğitim ve test sonuçları bir arada incelendiğinde histogram eğrilerinden eğitim aşamasında ortalama hatanın 0 dolara yakın olduğu ve standart sapma değerinin 16 dolar civarı olduğu test aşamasında ise ortalama hatanın 12,5 dolara yakın olduğu fakat standart sapma hatasının 60 dolar mertebesine yükseldiği görülebilmektedir. Kılıç ve Arkadaşlarının gerçekleştirdiği çalışmada [24] ise 1 Ocak 1990 ile 1 Ocak 2011 arasındaki S&P borsa verisinden dalgacık katsayıları çıkartılarak ARIMA regresyon yöntemi kullanılmıştır. Önerilen çalışma ile Kılıç ve arkadaşlarının elde ettikleri RMSE sonuçları karşılaştırıldığında eğitim hatasının önerilen çalışmaya göre yaklaşık 5 dolarlık bir hata yaptığı gözlemlenmektedir.…”

Section: şEkil 6 Lstm Tüm Veri Sonuçlarıunclassified

Finansal Piyasalarda Hisse Fiyatlarının Derin Öğrenme ve Yapay Sinir Ağı Yöntemleri ile Tahmin Edilmesi; S&P 500 Endeksi Örneği

Taş

Gülüm

Tulum

2021

Düzce Üniversitesi Bilim Ve Teknoloji Dergisi

View full text Add to dashboard Cite

Gelişen teknolojiler sayesinde günümüzde bilgisayarların gücü artmış ve bununla birlikte farklı amaçlara hizmet eden birçok algoritma geliştirilmiştir. Bu algoritmalar birçok alanda olduğu gibi finans alanında da sıkça kullanılmakta ve karar vermenin farklı boyutlarında destekleyici bir rol üstlenmektedir. Özellikle ortaya çıkması muhtemel durumların önceden öngörülmesinin hayati önem taşıdığı borsa işlemlerinde tahmin yöntemlerine sıkça başvurulmaktadır. Bu çalışmada Yahoo Finans üzerinden elde edilen S&P 500 endeksine ait veriler kullanılarak derin öğrenme ve sığ öğrenme yöntemleri yardımıyla geleceğe yönelik fiyat tahminleme çalışması gerçekleştirilmiştir. Bu bağlamda 12.08.2000 ile 13.8.2020 tarihleri arasındaki günlük fiyat verileri ilk 19 sene (veri setinin %95'i)eğitim, son 1 sene (ver setinin %5'i) test olacak şekilde ayrılarak uzun kısa süreli bellek (LSTM) ve çok katmanlı algılayıcılar (MLP) yöntemleri tahmin gerçekleştirilmiştir. Eğitim, test ve tüm veri kök ortalama karesel hatalarının LSTM ağı için sırasıyla 17.3, 65.3 ve 22 dolar, MLP ağı için sırası ile 16.1,61.2 ve 20.6 dolar bulunmuştur. Bu da kullanılan her iki yöntemde elde edilen eğitim ve test hatalarının birbirine yakın sonuçlar verdiğini ve bu yöntemlerin tahmin çalışmaları için uygun seçenekler olduğunu göstermektedir.

show abstract

“…The assessment of the dependence between economic and financial changes has been the contribution of several operations research scholars in recent years (Bernard et al, 2018 ; Khalilpourazari & Hashemi Doulabi, 2021 ; Kılıç & Uğur, 2018 ; Tzagkarakis & Maurer, 2020 ). Operations research scholars have examined economic and financial systems as complex harmonized models.…”

Section: Introductionmentioning

confidence: 99%

Dynamic causality interplay from COVID-19 pandemic to oil price, stock market, and economic policy uncertainty: evidence from oil-importing and oil-exporting countries

Khalfaoui¹,

Solarin

Al-Qadasi

et al. 2022

Ann Oper Res

View full text Add to dashboard Cite

In this study we examine the time-varying causal effect of the novel COVID-19 pandemic in the major oil-importing and oil-exporting countries on the oil price changes, stock market volatilities and the economic uncertainty using the wavelet coherence and network analysis. During the period of the pandemic, we explore such relationship by resorting to the wavelet coherence and gaussian graphical model (GGM) frameworks. Wavelet analysis enables us to measure the dynamics of the causal effect of the novel covid-19 pandemic in the time–frequency space. Regarding the findings displayed herein, we first found that the COVID-19 pandemic has a severe influence on oil prices, stock market indices, and the economic uncertainty. Second the intensity of the causality effect is stronger in the longer horizon than in the short ones, suggesting that the causality exercise continues. Our findings also provide evidence that the COVID-19 pandemic and oil price changes in oil-importing countries mirror those in oil-exporting countries and vice versa. Further, the COVID-19 pandemic has a profound immediate time–frequency effect on the US, Japanese, South Korean, Indian, and Canadian economic uncertainties. A better understanding of oil and stock market prices in the oil-importing and oil-exporting countries is vital for investors and policymakers, specially since the novel unprecedented COVID-19 crisis has been recognized among the most serious ever happened. Thus, the findings suggest that the authorities should strongly take efficient actions to minimize risk.

show abstract

Multiresolution analysis of S&P500 time series

Cited by 20 publications

References 43 publications

Combining Deep Learning and Multiresolution Analysis for Stock Market Forecasting

Combining Deep Learning and Multiresolution Analysis for Stock Market Forecasting

Finansal Piyasalarda Hisse Fiyatlarının Derin Öğrenme ve Yapay Sinir Ağı Yöntemleri ile Tahmin Edilmesi; S&P 500 Endeksi Örneği

Dynamic causality interplay from COVID-19 pandemic to oil price, stock market, and economic policy uncertainty: evidence from oil-importing and oil-exporting countries

Contact Info

Product

Resources

About