Investigación de previsiones del mercado bursátil basada en GA-WOA-LSTM

Área de la Ciencia:

• Previsión financiera y análisis de series temporales.
• Aplicaciones de inteligencia computacional y aprendizaje automático.
• Modelado económico y regulación del mercado.

Sus antecedentes:

• Los mercados financieros globales son cada vez más complejos, lo que requiere un pronóstico preciso del mercado de valores para la inversión, la regulación y la planificación.
• Los modelos de pronóstico tradicionales a menudo luchan con las dependencias no lineales y los patrones a largo plazo inherentes a los datos de las series temporales financieras.

Objetivo del estudio:

• Proponer y evaluar un nuevo modelo híbrido de predicción, GA-WOA-LSTM, para mejorar las previsiones del mercado de valores.
• Aprovechar las fortalezas del algoritmo genético (GA), el algoritmo de optimización de ballenas (WOA) y la memoria larga a corto plazo (LSTM) para un rendimiento predictivo superior.

Principales métodos:

• Un modelo híbrido que integra GA para la optimización de hiperparámetros globales, WOA para el refinamiento de la búsqueda local y LSTM para el modelado de series de tiempo.
• Las redes neuronales LSTM se utilizaron por su capacidad para capturar dependencias no lineales y patrones a largo plazo.
• El rendimiento del modelo se evaluó utilizando el error absoluto medio (MAE), el error porcentual absoluto medio (MAPE), el error cuadrado de la raíz media (RMSE) y R2 en conjuntos de datos de entrenamiento y prueba.

Principales resultados:

• El modelo GA-WOA-LSTM demostró una precisión predictiva significativamente mayor en comparación con los modelos de referencia tradicionales.
• El modelo propuesto exhibió una capacidad de generalización superior tanto en conjuntos de datos de entrenamiento como de prueba.
• Las principales métricas de rendimiento (MAE, MAPE, RMSE, R2) indicaron la eficacia del enfoque híbrido.

Conclusiones:

• El modelo GA-WOA-LSTM ofrece una estrategia sólida y eficaz para la previsión de series temporales financieras.
• Esta investigación proporciona información valiosa para aplicaciones prácticas en los mercados financieros del mundo real.
• La integración de algoritmos de optimización con aprendizaje profundo mejora la precisión y confiabilidad de las predicciones del mercado de valores.