Stock Price Prediction Using GRU, SimpleRNN and LSTM

Shejul, Anjali A.; Chaudhari, Aashay; Dixit, Bharti A.; Lavanya, B. Muni

doi:10.1007/978-981-19-6581-4_42

Cited by 4 publications

(3 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Following the LSTM layers, there is a fully connected layer with 43 neurons, and finally, an output layer with 3 neurons. GRU [29]: The GRU model consists of 2 layers of Gated Recurrent Unit (GRU) networks. The number of neurons in each layer is set to 75 and 157, respectively.…”

Section: Lstmmentioning

confidence: 99%

Improved Generative Adversarial Network Stock Price Prediction Method

2024

OAJDA

View full text Add to dashboard Cite

In response to the challenges posed by the nonlinearity, instability, and complexity of the stock market in the insurance industry, we propose an enhanced generative adversarial neural network-based stock prediction model termed CAL-WGAN-GP. The model's generator incorporates components such as the CNN-BiLSTM model and a self-attention mechanism, employed to generate precise predictions for stock closing prices. The discriminator, comprising a multi-layer convolutional neural network, is tasked with distinguishing between the stock closing prices generated by the generator and actual stock closing prices. To assess the model's generalization capability, stock data from China Ping an, China Life, XinHua Insurance, and Pacific Insurance is selected. During the dataset construction, relevant features, including technical indicators, are incorporated to facilitate the model in better learning hidden data information. Experimental results demonstrate that CAL-WGAN-GP urpasses baseline models across four evaluation metrics: Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and R-squared (R2), achieving the highest degree of data fitting

show abstract

Section: Lstmmentioning

confidence: 99%

Improved Generative Adversarial Network Stock Price Prediction Method

2024

OAJDA

View full text Add to dashboard Cite

show abstract

“…Ngày nay, nghiên cứu và ứng dụng của mô hình LSTM, GRU và các phức hợp để dự đoán thị trường chứng khoán còn rất hạn chế. Một vài nghiên cứu lý thuyết về hai mô hình trên và các phức hợp của nó như sau: Shejul et al, (2023), với nghiên cứu "Dự đoán giá cổ phiếu bằng GRU, SimpleRNN và LSTM" cho thấy kết quả dự có độ chính xác cao trước những biến bất thường của thị trường chứng khoán; Kanzari et al (2023) với nghiên cứu "Dự đoán bất ổn tài chính vĩ mô -Tâm lý có liên quan như thế nào? Bằng các mạng nơ-ron hồi quy."…”

Section: Giới Thiệuunclassified

Đánh giá hiệu suất mô hình phức hợp LSTM-GRU: nghiên cứu điển hình về dự báo chỉ số đo lường xu hướng biến động giá cổ phiếu trên sàn giao dịch chứng khoán Hồ Chí Minh

Trần

2024

CTU J. Sci.

View full text Add to dashboard Cite

Thị trường chứng khoán là một hệ thống chuyển động phi tuyến rất phức tạp và quy luật biến động của nó bị ảnh hưởng bởi rất nhiều yếu tố, vì vậy việc dự đoán chỉ số giá cổ phiếu là một nhiệm vụ rất khó khăn. Mô hình mạng nơ-ron với bộ nhớ ngắn hạn định hướng dài hạn (LSTM), mạng nơ-ron hồi tiếp với nút cổng (GRU) và các phức hợp được thiết kế bằng ngôn ngữ lập trình Python với các gói phụ trợ có sẵn, cho thấy kết quả dự báo với độ chính xác cao, hiệu suất của mô hình LSTM-GRU Hybrid cho kết quả tốt nhất. Thông qua mô hình LSTM-GRU Hybrid, nghiên cứu dự báo xu hướng biến động chỉ số VNIndex 100 ngày tiếp theo cho kết quả chỉ số VNIndex có xu hướng tăng. Điều đó gián tiếp chỉ ra rằng thị trường chứng khoán Việt Nam có dấu hiệu khởi sắc trở lại cùng với các chính sách mới của Chính phủ.

show abstract

“…We'll be evaluating and contrasting the performance of several methods, including LSTM (Long-short Term Memory), GRU (Gated Recurrent Unit), CNN (Convolutional Neural Network), and their hybrid models, on a dataset of historical stock market data. The ability of each algorithm to forecast future stock prices and market movements will be assessed [3] [4]. By comparing the performance of these algorithms, we hope to provide insights into which techniques are most effective in predicting stock market movements.…”

Section: Introductionmentioning

confidence: 99%

A Parameter Based Comparative Study of Deep Learning Algorithms for Stock Price Prediction

Paygude,

Singh,

Tripathi

et al. 2023

IJRITCC

View full text Add to dashboard Cite

Stock exchanges are places where buyers and sellers meet to trade shares in public companies. Stock exchanges encourage investment. Companies can grow, expand, and generate jobs in the economy by raising cash. These investments play a crucial role in promoting trade, economic expansion, and prosperity. We compare the three well-known deep learning algorithms, LSTM, GRU, and CNN, in this work. Our goal is to provide a thorough study of each algorithm and identify the best strategy when taking into account elements like accuracy, memory utilization, interpretability, and more. To do this, we recommend the usage of hybrid models, which combine the advantages of the various methods while also evaluating the performance of each approach separately. Aim of research is to investigate model with the highest accuracy and the best outcomes with respect to stock price prediction.

show abstract

Stock Price Prediction Using GRU, SimpleRNN and LSTM

Cited by 4 publications

References 7 publications

Improved Generative Adversarial Network Stock Price Prediction Method

Improved Generative Adversarial Network Stock Price Prediction Method

Đánh giá hiệu suất mô hình phức hợp LSTM-GRU: nghiên cứu điển hình về dự báo chỉ số đo lường xu hướng biến động giá cổ phiếu trên sàn giao dịch chứng khoán Hồ Chí Minh

A Parameter Based Comparative Study of Deep Learning Algorithms for Stock Price Prediction

Contact Info

Product

Resources

About