Predicting the Stock Market Trend: An Ensemble Approach Using Impactful Exploratory Data Analysis

Rouf, Nusrat; Malik, Majid Bashir; Arif, Tasleem

doi:10.1007/978-3-030-88378-2_18

Cited by 6 publications

(6 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This pandemic has significantly disturbed and influenced stock market activity around the world [ 7 ]. In year 2020, due to the effects of pandemic, it was estimated that the China's Gross Domestic Product (GDP) may fall by 6.2 percent, while the United States (US) GDP may plunge down by 8.4 percent [ 2 , 8 ]. The rest of the world's currency could lose 5.9% of its value.…”

Section: Introductionmentioning

confidence: 99%

“…e analysis of the voluminous volatile and dynamic nancial data is challenging. With the advent of online trading, people are moving towards the automated intelligent decision support systems rather than using classical fundamental analysis approaches for stock price prediction [2,3]. e global economy and stock markets have been greatly a ected by COVID-19.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Impact of Healthcare on Stock Market Volatility and Its Predictive Solution Using Improved Neural Network

Rouf

Malik

Sharma

et al. 2022

Computational Intelligence and Neuroscience

Self Cite

View full text Add to dashboard Cite

The unprecedented Corona Virus Disease (COVID-19) pandemic has put the world in peril and shifted global landscape in unanticipated ways. The SARSCoV2 virus, which caused the COVID-19 outbreak, first appeared in Wuhan, Hubei Province, China, in December 2019 and quickly spread around the world. This pandemic is not only a global health crisis, but it has caused the major global economic depression. As soon as the virus spread, stock market prices plummeted and volatility increased. Predicting the market during this outbreak has been of substantial importance and is the primary motivation to carry out this work. Given the nonlinearity and dynamic nature of stock data, the prediction of stock market is a challenging task. The machine learning models have proven to be a good choice for the development of effective and efficient prediction systems. In recent years, the application of hyperparameter optimization techniques for the development of highly accurate models has increased significantly. In this study, a customized neural network model is proposed and the power of hyperparameter optimization in modelling stock index prices is explored. A novel dataset is generated using nine standard technical indicators and COVID-19 data. In addition, the primary focus is on the importance of selection of optimal features and their preprocessing. The utilization of multiple feature ranking techniques combined with extensive hyperparameter optimization procedures is comprehensive for the prediction of stock index prices. Moreover, the model is evaluated by comparing it with other models, and results indicate that the proposed model outperforms other models. Given the detailed design methodology, preprocessing, exploratory feature analysis, and hyperparameter optimization procedures, this work gives a significant contribution to stock analysis research community during this pandemic.

show abstract

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Impact of Healthcare on Stock Market Volatility and Its Predictive Solution Using Improved Neural Network

Rouf

Malik

Sharma

et al. 2022

Computational Intelligence and Neuroscience

Self Cite

View full text Add to dashboard Cite

show abstract

“…Por otro lado, cuando se garantiza la seguridad de los datos y se restringe el uso de información redundante, los riesgos de inconsistencia y pérdida de integridad de los datos son prácticamente reducidos, lo que implica, una vez construido el modelo, que la producción de resultados sea con altos niveles de calidad. No obstante, los autores en [393] señalan que la calidad de los datos de entrada mejora con la extracción de nuevos atributos a partir del espacio de características original.…”

Section: A Conservación De Datosunclassified

“…Además, utilizando el algoritmo GBM como clasificador obtiene una precisión del 59% prediciendo el rendimiento diario de las acciones de la Bolsa de Estambul (BIST). [393] utiliza la correlación lineal de Pearson como criterio de selección de las características más relevantes para construir modelos de regresión de bosque aleatorio (RFR) y de regresión de gradiente extremo (XGBR) y predecir la tendencia del índice Nifty50. Sin embargo, hay que señalar que algunos estudios [393] consideran que la calidad de los datos de entrada se mejora ampliando el espacio de características con atributos "más relevantes" derivados de los atributos originales.…”

Section: Métodos De Filtrounclassified

“…[393] utiliza la correlación lineal de Pearson como criterio de selección de las características más relevantes para construir modelos de regresión de bosque aleatorio (RFR) y de regresión de gradiente extremo (XGBR) y predecir la tendencia del índice Nifty50. Sin embargo, hay que señalar que algunos estudios [393] consideran que la calidad de los datos de entrada se mejora ampliando el espacio de características con atributos "más relevantes" derivados de los atributos originales. Lo que puede llevar a problemas de multicolinealidad si no hay un proceso previo de selección o extracción de características relevantes.…”

Section: Métodos De Filtrounclassified

See 1 more Smart Citation

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Argotty Erazo

View full text Add to dashboard Cite

Predecir los precios y las tendencias de los instrumentos financieros para mejorar la efectividad de las decisiones de inversión es un reto clave para la industria financiera y los agentes implicados. Aunque se han utilizado muchas técnicas eficaces de inteligencia artificial en el análisis de las series de tiempo, el problema de predecir la dirección del movimiento de los tipos de cambio en el mercado Forex aún requiere soluciones parsimoniosas, descifrables y precisas. Desde la perspectiva del análisis técnico, esta investigación presenta una metodología novedosa para clasificar la dirección de la tendencia de los tipos de cambio. La metodología utiliza puntos de inflexión y datos de mercado que miden la acción de los precios, junto con las diferencias multidimensionales entre tendencias, para construir una función lineal discriminante (LDA).La metodología propuesta consta de cinco fases: preparación de datos, selección de características, detección de estructuras subyacentes, formulación de una función discriminante lineal y evaluación del desempeño del modelo con datos dentro y fuera de la muestra. Los experimentos se realizaron con datos de mercado del tipo de cambio euro-dólar en marcos de tiempo de 15 minutos y 1 semana, y una colección de puntos de inflexión del mercado (ET) definidos por un modelo de negociación algorítmico. El período de muestra va desde enero de 1999 hasta abril de 2023.En contraste con algunos trabajos notables publicados en la literatura científica como la Memoria a Corto Plazo (LSTM), el Aprendizaje Profundo por Refuerzo (DRL), el Análisis Wavelet (WA), el Análisis de Sentimiento de Contenido Textual, las Máquinas de Vectores de Soporte (SVM) y los Algoritmos Genéticos (GA), la metodología propuesta logró una precisión de clasificación del 98.77% con datos fuera de muestra. Estos resultados respaldan la construcción de métodos de clasificación interpretables, generalizables, precisos y parsimoniosos, lo que sugiere mejoras significativas en el rendimiento financiero y la reducción del riesgo en las estrategias de negociación. Además, esta metodología es aplicable en la selección de variables y se adapta fácilmente a otros activos financieros.

show abstract

Big Data in Smart Ecosystems: Trends, Challenges and Future Prospectus

Rouf,

Saleem,

Malik

et al. 2023

Intelligent Multimedia Signal Processing for Smart Ecosystems

View full text Add to dashboard Cite

Predicting the Stock Market Trend: An Ensemble Approach Using Impactful Exploratory Data Analysis

Cited by 6 publications

References 15 publications

Impact of Healthcare on Stock Market Volatility and Its Predictive Solution Using Improved Neural Network

Impact of Healthcare on Stock Market Volatility and Its Predictive Solution Using Improved Neural Network

Modelo de análisis multivariante aplicado a la predicción de la tendencia del tipo de cambio euro-dólar

Big Data in Smart Ecosystems: Trends, Challenges and Future Prospectus

Contact Info

Product

Resources

About