مجلة الاقتصاد والتنمية المستدامة
Volume 6, Numéro 1, Pages 680-701
2023-03-01

Machine Learning For Market Volatility Prediction



Authors : Atallah Amor .

Abstract

Market volatility prediction is one of the most commonly used terms in the trading market today. Price movements, market volatility, and trading risks are all represented by realized volatility. A small change in volatility affects the expected return on all assets. In this research, To predict volatility, we will use the dataset provided by the Kaggle platform. Optiver is a leading global electronic market maker and is committed to continuously improving financial markets. improving access and prices for options. Exchange traded funds(ETFs), On numerous exchanges around the world, cash equities, bonds, and foreign currencies are traded. The prediction models we used in our study are LightGBM and XGBoost and CatBoost and Linear Regression, We deduce some related work about the volatility forecasting. And then we run our model, the result shows that model LightGBM has a lowest RMSPE score that is 0.286 and a highest r2- score is 0.817, and the RMSPE of other models such as XGBoost, CatBoost, Linear Regression are respectively 0.303, 0.302, 0.347, and r2-score are 0.791, 0.784, 0.766, we concluded that the lightGBM model is the best model compared to the XGBoost, CatBoost and Linear Regression models in predicting stock market volatility يعد توقع تقلبات السـوق أحد أكثر المصطلحات شيو عـا في سوق التداول اليـوم. يتم تمثيــل تحركات األسعار وتقلبات السوق ومخاطر التداول من خالل التقلبات المحققة. يؤثر تغيير طفيف في التقلب على العائد المتوقع لجميع األصول. في هـذا البحـث للتنبؤ بالتقلبات، استخدمنا مجموعـة البيانات التي توفرها منصة Kaggle Optiver ،وهو صانع سوق إلكتروني عالمي رائد وملتزم بالتحسين المستمر لألسواق المالية و تحسين الوصول وأسعار الخيارات، والصناديق المتداولة في البورصة (ETFs ،(في العديد من البورصات حول العالم، حيث يتم تداول األسهم النقدية والسندات والعمالت األجنبية. فـي دراستنـا استخدمنـا نماذج التنبؤ التالية: LightGBM ،XGBoost ،CatBoost ،Regression Linear ،واستنتجنا بعض األعمال ذات الصلة حول التنبؤ بالتقلب. وبعد ذلك قمنا بتتنفيذ النماذج. تظهر النتائج أن نموذج LightGBM هو األفضل من بين هذه النماذج ،حيث حقق أدنى درجة جذر متوسط مربع النسبة المئوية لفقدان الخطأ (RMSPE (وهي: 286.0 وأعلى درجة في معامل التحديد R2 هي: 817.0، وأن RMSPE للنماذج األخرى: XGBoost، CatBoost ، Linear ،0.791 :أيضا التوالي على هي لها r2 ودرجة ، 0.347 ، 0.302 ، 0.303: التوالي على هي Regression 784.0 ،766.0 . نستخلص ان أن نموذج lightGBM هو النموذج األفضل مقارنة بالنماذج XGBoost ،CatBoost ، Regression Linear في توقع تقلبات سـوق األسهم.

Keywords

Machine learning ; prediction market volatility

Les articles similaires

Paradoxical Effects Of Financial Reforms On Capital Market Volatility In Algeria: Evidence From Conditional Volatility Modeling

Dermechi Feriel .  Zakane Ahmed . 
pages 154-170.

Machine Learning Based Customer Churn Prediction: A Bibliometric Analysis Of Techniques, Key Methodologies, And Sectoral Trends (2011-2025)

Yahiaoui Nour El Houda . 
pages 135-158.

Machine Learning Prediction Of Cutting Parameters Of En-aw-1350 Aluminum Alloy Using Regression Models

Khrouf Fakhreddine . 
pages 25-35.

Prediction And Feature Analysis Of Self-compacting Concrete Strength Using Machine Learning With Recycled Coarse Aggregate And Supplementary Cementitious Materials

Pulkit Kavendra .  Nigam Shivi . 
pages 513-534.

Experimental And Numerical Characterization Of Springback In V-bending Of Aisi 304l Stainless Steel Enhanced By Machine Learning Prediction

Bencherif Mokhtar .  Saidani Abdelkrim .  Almansba Madjid .  Ferhoum Rabah .  Boudedja Amar .  Belmihoub Khellaf . 
pages 321-331.

Formats de citation