Publication detail

Predicting prices of the US and G7 stock indices in uncertain times: Evidence from the application of a hybrid neural network

Authors: Bouteska Ahmed | Sharif Taimur | Hájek Petr | Abedin Mohammad Zoynul

Year: 2025

Type of publication: článek v odborném periodiku

Name of source: Journal of behavioral and experimental economics

Publisher name: Elsevier Science Inc.

Place: New York

Page from-to: '102366'

Titles:

Language	Name	Abstract	Keywords
cze	Predikce cen akciových indexů USA a G7 v nejistých dobách: Evidence z aplikace hybridní neuronové sítě	Tato studie zkoumá využití umělých neuronových sítí (ANN) pro predikci závěrečné ceny amerických a G7 akciových indexů s jednodenním předstihem a provádí rozšířenou analýzu tří odlišných období: období před finanční krizí v roce 2008 (2003–2007), období postkrizového oživení (2009–2016) a období nedávné ekonomické nejistoty (2017–2022). Na rozdíl od tradičních predikčních přístupů se náš model odlišuje použitím hybridní architektury založené na ANN, která integruje fázi výběru proměnných a fázi samotné predikce. Navržený model se skládá ze dvou hlavních částí: výběru relevantních vstupních proměnných a vytvoření predikčního modelu. V první části je využit ANN model pro výběr proměnných, který identifikuje významné vstupní proměnné na základě historických tržních podmínek odrážejících ekonomické a psychologické vlivy v průběhu sledovaného období. Tyto vstupy jsou následně zpřesněny odstraněním proměnných s nízkým příspěvkem, což vede ke zlepšení výkonnosti modelu. Ve druhé části hodnotíme vliv různých trénovacích algoritmů, velikostí skrytých vrstev a rozdělení trénovacích dat na predikční přesnost ANN. Zjištění ukazují, že ANN dokážou s vysokou přesností predikovat ceny indexu S&P 500 i indexů skupiny G7, zejména při použití algoritmu Levenberg–Marquardt v kombinaci se zjednodušenou architekturou modelu. Rozšířený datový soubor zahrnující tři odlišná období navíc umožnil otestovat stabilitu a schopnost generalizace modelu napříč různými úrovněmi volatility a strukturálními podmínkami trhu. Studie zdůrazňuje klíčovou roli objemu dat při zvyšování výkonnosti modelu a potvrzuje, že rozsáhlá trénovací data jsou nezbytná pro zachycení komplexní dynamiky tržního chování.	Neuronová síť; Predikce; Cena akcie; S&P 500
eng	Predicting prices of the US and G7 stock indices in uncertain times: Evidence from the application of a hybrid neural network	This study investigates the application of Artificial Neural Networks (ANNs) to forecast the one-day-ahead closing price of the US and G7 indices, and makes an extended analysis of three distinct periods, namely, the pre-2008 financial crisis (2003-2007), post-crisis recovery (2009-2016), and recent economic uncertainty (2017-2022). Unlike the traditional predictive approaches, our model distinguishes itself by utilizing a hybrid ANN-based architecture that integrates variable selection and forecasting stages. The proposed model consists of two main parts: selecting relevant input variables and developing a forecasting model. In the first part, an ANNbased variable selection model is utilized to identify significant input variables based on historical market conditions that reflect economic and psychological influences over the study period. These inputs are then refined by eliminating variables with low contributions, resulting in improved model performance. In the second part, we evaluate the impact of different training algorithms, hidden layer sizes, and training data distributions on the ANN's forecasting accuracy. The findings demonstrate that ANNs can effectively forecast the S&P 500 index's and G7 indices' prices with high accuracy, particularly when employing the Levenberg-Marquardt algorithm with a simplified model architecture. Moreover, the expanded dataset covering three distinct periods has enabled us to test the model's stability and generalization across diverse market volatility and structural conditions. The study highlights the critical role of data volume in enhancing the model's performance, confirming that extensive training data is essential for capturing the complex dynamics of market behavior.	Artificial neural network; Forecasting; Stock price; S&P 500

Search

Login for students

Login for employees

Publication detail

Map

Services

Popular Links