Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA LE MODIFICHE in fondo alla pagina
Bicocca Open Archive
This paper presents a novel approach for forecasting stock prices. Specifically, the approach consists of an ensemble of various deep learning models, namely "multi-model". Each deep learning model produces its own forecast, then all the forecasts are combined into a unique one, according to different strategies and depending on different error metrics. The final forecasts provided by the multi-model have resulted in more reliable predictions than those provided by the individual deep learning models.
Pellattiero, D., Candelieri, A. (2024). Multi-model forecasting for finance. In M. Corazza, F. Gannon, F. Legros, C. Pizzi, V. Touzé (a cura di), Mathematical and Statistical Methods for Actuarial Sciences and Finance
MAF2024 (pp. 248-254). Springer Nature [10.1007/978-3-031-64273-9_41].
This paper presents a novel approach for forecasting stock prices. Specifically, the approach consists of an ensemble of various deep learning models, namely "multi-model". Each deep learning model produces its own forecast, then all the forecasts are combined into a unique one, according to different strategies and depending on different error metrics. The final forecasts provided by the multi-model have resulted in more reliable predictions than those provided by the individual deep learning models.
Pellattiero, D., Candelieri, A. (2024). Multi-model forecasting for finance. In M. Corazza, F. Gannon, F. Legros, C. Pizzi, V. Touzé (a cura di), Mathematical and Statistical Methods for Actuarial Sciences and Finance
MAF2024 (pp. 248-254). Springer Nature [10.1007/978-3-031-64273-9_41].
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10281/551724
Citazioni
0
0
Social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2023-2025 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 598/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.
