2025
Comparison of Classical Arima Forecasting Methods to the Machine Learning LSTM Method: a Case Study on DAX® 50 ESG Index
ROSINUS, ManuelZákladní údaje
Originální název
Comparison of Classical Arima Forecasting Methods to the Machine Learning LSTM Method: a Case Study on DAX® 50 ESG Index
Název česky
Srovnání klasických metod prognózy Arima s metodou strojového učení LSTM: Případová studie indexu DAX® 50 ESG
Autoři
ROSINUS, Manuel
Vydání
Acta VŠFS, Praha, Vysoká škola finanční a správní, 2025, 1802-792X
Další údaje
Jazyk
angličtina
Typ výsledku
Článek v odborném periodiku
Obor
50200 5.2 Economics and Business
Stát vydavatele
Česká republika
Utajení
není předmětem státního či obchodního tajemství
Odkazy
Označené pro přenos do RIV
Ano
Kód RIV
RIV/04274644:_____/25:#0001313
Organizační jednotka
Vysoká škola finanční a správní
Klíčová slova česky
Finanční trhy; ekonometrie; prognóza; strojové učení; LSTM; ARIMA
Klíčová slova anglicky
Financial markets; Econometrics; Forecast; Machine learning; LSTM; ARIMA
Štítky
Příznaky
Recenzováno
Změněno: 6. 2. 2026 07:44, Mgr. Jitka Štruncová
V originále
Background: Traditional econometric models like ARIMA, while foundational for time series forecasting, often rely on assumptions of linearity and stationarity. These models can fall short in capturing the complex, nonlinear dynamics frequently present in financial markets. This has led to the adoption of machine learning methods like Long Short- Term Memory (LSTM) networks, which are specifically designed to recognize long-term dependencies in sequential data, offering a p otential a dvantage i n m odeling v olatile financial time series. Aim: This study compares the predictive performance of a classical econometric model (ARIMA) with a deep learning approach (LSTM) in the context of stock index forecasting using the DAX 50 ESG index from 2020 to 2024. Methods: An autoregressive integrated moving average (ARIMA) model is compared against a long short-term memory (LSTM) neural network. The models are evaluated using both a static train-test split and a more rigorous expanding window forecast scheme. Predictive accuracy is measured by standard error metrics (MAE, RMSE, MAPE) and the Diebold-Mariano test. Results: The empirical results show that the LSTM model achieves lower forecast errors than the best-fitting A RIMA m odel i n b oth e valuation f rameworks. I n t he e xpanding window scenario (repeated retraining), the LSTM maintains a statistically significant, though modest, forecasting advantage over the ARIMA model. Originality/Value: The findings suggest that while the LSTM's ability to capture nonlinear patterns offers a f orecasting e dge, t he i mprovement i s i ncremental i n a h ighly l iquid and efficient market. This case study highlights the potential of deep learning methods in finance b ut a lso r einforces t he n otion t hat s trong m arket e fficiency can lim it the forecasting benefits of such complex models.
Česky
Souvislosti: Tradiční ekonometrické modely, jako je ARIMA, jsou sice základem pro predikci časových řad, ale často se spoléhají na předpoklady linearity a stacionarity. Tyto modely mohou selhávat v zachycení složité, nelineární dynamiky, která se často vyskytuje na finančních trzích. To vedlo k přijetí metod strojového učení, jako jsou sítě s dlouhou krátkodobou pamětí (LSTM), které jsou speciálně navrženy k rozpoznávání dlouhodobých závislostí v sekvenčních datech a nabízejí potenciální výhodu při modelování volatilních finančních časových řad. Cíl: Tato studie porovnává prediktivní výkon klasického ekonometrického modelu (ARIMA) s přístupem hlubokého učení (LSTM) v kontextu predikce akciových indexů s využitím indexu DAX 50 ESG od roku 2020 do roku 2024. Metody: Autoregresní model integrovaného klouzavého průměru (ARIMA) je porovnán s neuronovou sítí s dlouhou krátkodobou pamětí (LSTM). Modely jsou vyhodnoceny jak pomocí statického rozdělení vlakových testů, tak i pomocí přísnějšího schématu predikce s rozšiřujícím se oknem. Prediktivní přesnost je měřena pomocí metrik standardních chyb (MAE, RMSE, MAPE) a Diebold-Mariano testu. Výsledky: Empirické výsledky ukazují, že model LSTM dosahuje nižších chyb předpovědi než nejlépe padnoucí model ARIMA v obou oceňovacích rámcích. Ve scénáři s rozšiřujícím se oknem (opakované přetrénování) si LSTM udržuje statisticky významnou, i když mírnou, prediktivní výhodu oproti modelu ARIMA. Originalita/hodnota: Zjištění naznačují, že zatímco schopnost LSTM zachytit nelineární vzorce nabízí prediktivní výhodu, zlepšení je přírůstkové na vysoce likvidním a efektivním trhu. Tato případová studie zdůrazňuje potenciál metod hlubokého učení ve financích, ale také posiluje myšlenku, že silná tržní efektivita může omezit prediktivní přínosy takových komplexních modelů.