EXPLORING CEEMDAN DECOMPOSITION FOR IMPROVED FINANCIAL MARKET FORECASTING: A CASE STUDY ON DOW JONES INDEX

Ahmet Akusta

Makale detayları

EXPLORING CEEMDAN DECOMPOSITION FOR IMPROVED FINANCIAL MARKET FORECASTING: A CASE STUDY ON DOW JONES INDEX

Yazarlar:

Ahmet Akusta

Yayıncı:

Pamukkale University

Ana Başlıklar:

Finans

Dergi:

Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Issue 62, pp.19-35

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001317458

pISSN:

1308-2922

Anahtar kelimeler:

Özet:

 This study presents an innovative financial time series analysis approach by integrating Complete Ensemble Empirical Mode Decomposition CEEMDAN with the Autoregressive Integrated Moving Average with Exogenous Variables ARIMAX model. The primary contribution of the research lies in significantly enhancing the predictive accuracy and understanding of the dynamics governing major stock indices. CEEMDAN adaptively decomposes complex financial time series into intrinsic mode functions IMFs, a technique that has yet to be extensively utilized in this domain. IMFs are combined with ARIMAXs predictive proficiency, which accounts for the influence of historical trends and external factors. Our study showcases an R² of 0,93, aligning with some of the high-performing models in the literature. However, the unique strength of our model lies in its lag-free predicting of the DJIA, effectively mirroring its volatility and major movements with high fidelity, making it highly practical for financial applications.

 This study presents an innovative financial time series analysis approach by integrating Complete Ensemble Empirical Mode Decomposition CEEMDAN with the Autoregressive Integrated Moving Average with Exogenous Variables ARIMAX model. The primary contribution of the research lies in significantly enhancing the predictive accuracy and understanding of the dynamics governing major stock indices. CEEMDAN adaptively decomposes complex financial time series into intrinsic mode functions IMFs, a technique that has yet to be extensively utilized in this domain. IMFs are combined with ARIMAXs predictive proficiency, which accounts for the influence of historical trends and external factors. Our study showcases an R² of 0,93, aligning with some of the high-performing models in the literature. However, the unique strength of our model lies in its lag-free predicting of the DJIA, effectively mirroring its volatility and major movements with high fidelity, making it highly practical for financial applications.

 This study presents an innovative financial time series analysis approach by integrating Complete Ensemble Empirical Mode Decomposition CEEMDAN with the Autoregressive Integrated Moving Average with Exogenous Variables ARIMAX model. The primary contribution of the research lies in significantly enhancing the predictive accuracy and understanding of the dynamics governing major stock indices. CEEMDAN adaptively decomposes complex financial time series into intrinsic mode functions IMFs, a technique that has yet to be extensively utilized in this domain. IMFs are combined with ARIMAXs predictive proficiency, which accounts for the influence of historical trends and external factors. Our study showcases an R² of 0,93, aligning with some of the high-performing models in the literature. However, the unique strength of our model lies in its lag-free predicting of the DJIA, effectively mirroring its volatility and major movements with high fidelity, making it highly practical for financial applications.

 Bu çalışma, Tam Topluluk Ampirik Mod Ayrıştırması CEEMDAN ile Autoregressive Integrated Moving Average with Exogenous Variables ARIMAX modelini entegre ederek yenilikçi bir finansal zaman serisi analizi yaklaşımı sunmaktadır. Araştırmanın birincil katkısı, büyük hisse senedi endekslerini yöneten dinamiklerin tahmin doğruluğunu ve anlaşılmasını arttırmaktır. Daha önce bu alanda kapsamlı bir şekilde kullanılmayan CEEMDAN, karmaşık finansal zaman serilerini uyarlamalı olarak içsel mod fonksiyonlarına IMFler ayrıştırmak için yenilikçi bir şekilde uygulanmıştır. CEEMDANın karmaşık finansal zaman serilerini uyarlanabilir bir şekilde IMFlere ayrıştırma yeteneği, ARIMAXın tarihsel eğilimlerin ve dış faktörlerin etkisini hesaba katan tahmin yeterliliği ile birleştirilmiştir. Metodoloji, çeşitli büyük ABD hisse senedi endekslerini dışsal değişkenler olarak içeren kapsamlı Dow Jones Endüstriyel Ortalama DJIA analizi ile doğrulanmıştır. Çalışmamız, literatürdeki yüksek performanslı modellerle uyumlu olarak 0,93lük bir R² skoru sunmaktadır. Bununla birlikte, modelimizin benzersiz gücü, DJIAnın gecikmesiz tahmininde yatmaktadır. Endeksin volatilitesini ve önemli hareketlerini yüksek doğrulukla yansıtarak finansal uygulamalar için son derece pratik hale getirmektedir.

Makale detayları

EXPLORING CEEMDAN DECOMPOSITION FOR IMPROVED FINANCIAL MARKET FORECASTING: A CASE STUDY ON DOW JONES INDEX

Yazarlar:

Ahmet Akusta

Yayıncı:

Pamukkale University

Ana Başlıklar:

Finans

Dergi:

Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Issue 62, pp.19-35

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001317458

pISSN:

1308-2922

Financial Time Series Decomposition

ARIMAX Modeling

Financial Market Forecasting

CEEMDANFinansal Zaman Serisi Ayrıştırması

ARIMAX Modelleme

Finansal Piyasa Tahmini

CEEMDAN

Sayı

Makale detayları

Yazarlar: Ahmet Akusta

Yayıncı: Pamukkale University

Ana Başlıklar: Finans

Dergi: Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Issue 62, pp.19-35

Belge Tipi: Makale

Yayın Tarihi: 5/2024

Belge Dili: İngilizce

Document ID (Org No.): 2001317458

pISSN: 1308-2922

Sayı

Yazarlar:

Ahmet Akusta

Yayıncı:

Pamukkale University

Ana Başlıklar:

Finans

Dergi:

Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Issue 62, pp.19-35

Belge Tipi:

Makale

Yayın Tarihi:

5/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001317458

pISSN:

1308-2922