Novel Deep Learning Hybrid-Ensemble Method for Financial Domain Information and Stock Price Forecasting

Ten Alexander Iosifovich; Jonghyuk Kim

Novel Deep Learning Hybrid-Ensemble Method for Financial Domain Information and Stock Price Forecasting

Recommendations

Search

Questions

Type: Academic journal

Author: Ten Alexander Iosifovich (Sun Moon University) Jonghyuk Kim (Sun Moon University)

Journal: Korea Association for International Commerce and Information International Commerce and Information Review Vol.26 No.4 KCI Accredited Journals

Published: 2024.12

Pages: 243 - 261 (19page)

Usage

Novel Deep Learning Hybrid-Ensemble Method for Financial Domain Information and Stock Price Forecasting

Abstract· Keywords

Report Errors

This study aims to develop the novel technique for time series forecasting of stock prices. For the research methods, we developed method based on stacking mechanism of LSTM(Long Short Term Memory), Ridge Regression, Linear Regression and CNN(Convolutional Neural Network) for predicting “Close” prices of Amazon, Microsoft, Netflix and Apple stock prices for next day, next 7 days, next 14 days and 21 days. In the results of this research, we compared our method to another popular hybrid method CNN-LSTM and also to base models of our method such as CNN and LSTM as well as RNN(Recurrent Neural Network). We used four datasets and four periods to predict and our method outperformed other models on metrics such MSE (Mean Squared Error), RMSE (Root Mean Squared Error), RMSE (Root Mean Squared Error) and SD (Standard Deviation of Errors). In conclusion, the LSTM-ENSEMBLE-CNN (proposed method) model stands out as the best performer among the tested models. It achieves the lowest MSE, RMSE, and MAE, indicating minimal prediction error.

#Time Series Forecasting #Stock Prediction #LSTM #Hybrid Model #Deep Learning #Prediction Model #주가 시계열 예측 #주식 예측 #하이브리드 모델 #딥러닝 #예측 모델

ABSTRACT
Ⅰ. Introduction
Ⅱ. Related Work
Ⅲ. Analysis Procedure
Ⅳ. Results
Ⅳ. Conclusion
References
국문초록

References (0)

Add References

If the reference is being serviced by DBpia, please register through [Add Reference]

Recommendations

It is an article recommended by DBpia according to the article similarity. Check out the related articles!

Comments(0)

Write first comments.

UCI(KEPA) : I410-151-25-02-092453818

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

Abstract· Keywords

AI Summary

Topic

Background

Method

Result

주요내용

Contents

References (0)

Recommendations

Recently viewed articles

Comments(0)