Comparative analysis of machine learning algorithms for market capitalization time series forecasting

Abstract

Виконано порівняльний аналіз ефективності чотирьох алгоритмів прогнозування часових рядів ринкової капіталізації провідних компаній світу: трансформерів (Time Series Transformer), рекурентних нейронних мереж (RNN), авторегресійної інтегрованої ковзної середньої (ARIMA) та простої ковзної середньої (SMA). Дослідження проведено на великому наборі даних, що включає щомісячні значення ринкової капіталізації 1000 компаній з 2000 до 2025 року, зібрані через Yahoo Finance. Враховано не лише часову динаміку, але й статичні ознаки, такі, як сектор, галузь та категорія ринкової капіталізації. Дані опрацьовано та приведено до форматів, сумісних з GluonTS та Hugging Face, з поділом на тренувальну, валідаційну та тестову вибірки. Отримано середні значення трьох метрик точності прогнозу: MASE, sMAPE та MAPE для кожного з алгоритмів. Показано, що модель на основі трансформера демонструє найкращі результати: середнє значення MASE становило 2.01, sMAPE – 15.63%, а MAPE – 17.44%. Звідси випливає, що трансформери є найбільш придатними для задач довготривалого прогнозування, особливо у випадках, коли доступні статичні ознаки, які можна врахувати при навчанні. RNN-модель показала гірші результати, що пояснюється проблемою зникнення градієнта та меншою здатністю до опрацювання довгих залежностей. Модель ARIMA мала помірну точність, проте її ефективність знижувалася на нестаціонарних часових рядах. Найменшу точність прогнозів показала модель SMA, що свідчить про її обмежену придатність для складних фінансових даних. Додатково показано, що включення категоріальних ознак значно покращує продуктивність трансформерів. Візуалізація прогнозів підтвердила, що трансформери здатні надійно моделювати сезонність і тренди в ринковій капіталізації. Перспективним напрямом подальших досліджень є інтеграція макроекономічних факторів і розширення набору ознак для покращення точності прогнозів

This paper presents a comparative analysis of four time series forecasting algorithms applied to market capitalization data of the world’s leading companies: Time Series Transformer, Recurrent Neural Network (RNN), Autoregressive Integrated Moving Average (ARIMA) and Simple Moving Average (SMA). The study is based on monthly market cap data for 1000 companies from 2000 to 2025, collected via Yahoo Finance. In addition to temporal dynamics, static categorical features such as sector, industry and market cap category were considered. The models were evaluated using MASE, sMAPE and MAPE metrics. Results show that the transformer-based model achieved the highest accuracy (MASE = 2.01, sMAPE = 15.63%, MAPE = 17.44%), confirming its suitability for long-term forecasting, especially when categorical features are incorporated. ARIMA and RNN showed moderate performance, while SMA performed the worst. Visualization further confirmed the transformer’s ability to capture seasonal patterns and trends. Future work includes integrating macroeconomic indicators to enhance prediction accuracy