Buchumschlag

Exploring applications of topological data analysis in stock index movement prediction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Dazhi, Xu, Pengcheng, Huang, Xiaocheng, Chen, Jiayi
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Data Analysis, Statistics and Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning from the past: predicting critical transitions with machine learning trained on surrogates of historical data
von: Ma, Zhiqin, et al.
Veröffentlicht: (2024)

An application of machine learning to the motion response prediction of floating assets
von: Morris-Thomas, Michael T. M. B., et al.
Veröffentlicht: (2025)

Assessing high-order effects in feature importance via predictability decomposition
von: Ontivero-Ortega, Marlis, et al.
Veröffentlicht: (2024)

Tunable correlation retention: A statistical method for generating synthetic data
von: Jävergård, Nicklas, et al.
Veröffentlicht: (2024)

Exploring how deep learning decodes anomalous diffusion via Grad-CAM
von: Bae, Jaeyong, et al.
Veröffentlicht: (2024)

Cooperative effects in feature importance of individual patterns: application to air pollutants and Alzheimer disease
von: Ontivero-Ortega, M., et al.
Veröffentlicht: (2025)

Exploring the Limitations of kNN Noisy Feature Detection and Recovery for Self-Driving Labs
von: Shi, Qiuyu, et al.
Veröffentlicht: (2025)

GeoConformal prediction: a model-agnostic framework of measuring the uncertainty of spatial prediction
von: Lou, Xiayin, et al.
Veröffentlicht: (2024)

Identifying topology of leaky photonic lattices with machine learning
von: Smolina, Ekaterina O., et al.
Veröffentlicht: (2023)

Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux
von: Cazzola, Michele, et al.
Veröffentlicht: (2026)

Learning effective good variables from physical data
von: Barletta, Giulio, et al.
Veröffentlicht: (2024)

Scintillation pulse characterization with spectrum-inspired temporal neural networks: case studies on particle detector signals
von: Ai, Pengcheng, et al.
Veröffentlicht: (2024)

Training-set-free two-stage deep learning for spectroscopic data de-noising
von: Huang, Dongchen, et al.
Veröffentlicht: (2024)

Information FOMO: The unhealthy fear of missing out on information. A method for removing misleading data for healthier models
von: Pickering, Ethan, et al.
Veröffentlicht: (2022)

Data organization limits the predictability of binary classification
von: Jing, Fei, et al.
Veröffentlicht: (2024)

Development of a high-resolution indoor radon map using a new machine learning-based probabilistic model and German radon survey data
von: Petermann, Eric, et al.
Veröffentlicht: (2023)

Physics-guided machine learning predicts the planet-scale performance of solar farms with sparse, heterogeneous, public data
von: Jahangir, Jabir Bin, et al.
Veröffentlicht: (2024)

Statistical limits of correlation detection in trees
von: Ganassali, Luca, et al.
Veröffentlicht: (2022)

Data-driven topology design using a deep generative model
von: Yamasaki, Shintaro, et al.
Veröffentlicht: (2020)

AI Meets Antimatter: Unveiling Antihydrogen Annihilations
von: Ferreira, Ashley, et al.
Veröffentlicht: (2024)

Detail Across Scales: Multi-Scale Enhancement for Full Spectrum Neural Representations
von: Ni, Yuan, et al.
Veröffentlicht: (2025)

Reliable data clustering with Bayesian community detection
von: Neuman, Magnus, et al.
Veröffentlicht: (2025)

Scalable Sparse Regression for Model Discovery: The Fast Lane to Insight
von: Golden, Matthew
Veröffentlicht: (2024)

Active Learning with Fully Bayesian Neural Networks for Discontinuous and Nonstationary Data
von: Ziatdinov, Maxim
Veröffentlicht: (2024)

DPGIIL: Dirichlet Process-Deep Generative Model-Integrated Incremental Learning for Clustering in Transmissibility-based Online Structural Anomaly Detection
von: Mei, Lin-Feng, et al.
Veröffentlicht: (2024)

Dreaming Learning
von: Londei, Alessandro, et al.
Veröffentlicht: (2024)

Physics-constrained polynomial chaos expansion for scientific machine learning and uncertainty quantification
von: Sharma, Himanshu, et al.
Veröffentlicht: (2024)

MEP-Net: Generating Solutions to Scientific Problems with Limited Knowledge by Maximum Entropy Principle
von: Yang, Wuyue, et al.
Veröffentlicht: (2024)

Response Theory via Generative Score Modeling
von: Giorgini, Ludovico Theo, et al.
Veröffentlicht: (2024)

Towards certification: A complete statistical validation pipeline for supervised learning in industry
von: Lacasa, Lucas, et al.
Veröffentlicht: (2024)

Uncertainty estimation via ensembles of deep learning models and dropout layers for seismic traces
von: Messuti, Giovanni, et al.
Veröffentlicht: (2024)

Active Learning of Molecular Data for Task-Specific Objectives
von: Ghosh, Kunal, et al.
Veröffentlicht: (2024)

Stochastic Inference of Plate Bending from Heterogeneous Data: Physics-informed Gaussian Processes via Kirchhoff-Love Theory
von: Kavrakov, Igor, et al.
Veröffentlicht: (2024)

Online Learning Approach for Survival Analysis
von: Fernandez, Camila, et al.
Veröffentlicht: (2024)

Limits to classification performance by relating Kullback-Leibler divergence to Cohen's Kappa
von: Crow, L., et al.
Veröffentlicht: (2024)

Efficient Training of Deep Neural Operator Networks via Randomized Sampling
von: Karumuri, Sharmila, et al.
Veröffentlicht: (2024)

Multi-fidelity Gaussian process surrogate modeling for regression problems in physics
von: Ravi, Kislaya, et al.
Veröffentlicht: (2024)

Machine learning approach to detect dynamical states from recurrence measures
von: Thakur, Dheeraja, et al.
Veröffentlicht: (2024)

Lines of Thought in Large Language Models
von: Sarfati, Raphaël, et al.
Veröffentlicht: (2024)

Comparative Analysis of Machine Learning-Based Imputation Techniques for Air Quality Datasets with High Missing Data Rates
von: Yan, Sen, et al.
Veröffentlicht: (2024)