Inteligentné systémy a predikcia časových radov

Sabína Urbanová

Master's thesis

Inteligentní systémy a predikce finančních časových řad

Abstract:

Diplomová práce se zabývá popisem a sestrojením tří modelů, dopřední neuronové sítě, učící se na základě algoritmu zpětného šíření chyby, rekurentní sítě LSTM (long short-term memory) a autoregresní integrovaný klouzavý průměr ARIMA. Dostupná data (od ledna 2010 do prosince 2016) jsou rozdělena do dvou množin, na první, trénovací množině probíhá proces učení, na druhé, testovací, ověřujeme predikční schopnost modelu, kde predikovaná hodnota je uzavírací cena daného dne. Pro posouzení, zda daný model má pro nás, jako investora, nějaký přínos si definujeme jednoduchou strategii. Na konci proběhne zhodnocení, který model nám za použití dané strategie přinese nejlepší výsledky.

Abstract:

In the diploma thesis we are describing and applying three models - Feedforward neural network, whose learning process is based on backpropagation principles, recurent LSTM (long short-term memory) network and ARIMA autoregressive integrated moving average. For analysis, information about opening, closing price, highest, lowest price of a day and volume of trade are used. Used data (since January 2010 until December 2016) are split into training and testing dataset. On the first one, training dataset, model is learning and on the second, testing dataset, we are making a prediction of closing price. For evaluation, whether a model is useful for investors, we develop a simple strategy. At the end, we evaluate, which model provides us the best results.

Abstract:

Diplomová práca sa zaoberá popisom a zostrojením troch modelov, doprednej neurónovej siete učiacej sa na základe algoritmu spätného šírenia chyby, rekurentnej siete LSTM (long short-term memory) a autoregresný integrovaný kĺzavý priemer ARIMA. K analýze sú použité informácie o otváracích, uzatváracích cenách, najvyššej a najnižšej cene v danom dni a zobchodovaného objemu desiatich akcií obchodovaných na New York Stock Exchange. Dostupné dáta (od januára 2010 do decembra 2016) sú rozdelené do dvoch množín, na prvej, trénovacej množine prebieha proces učenia, na druhej, testovacej, overujeme predikčnú schopnosť modelu, kde predikovaná hodnota je uzatváracia cena daného dňa. Pre posúdenie, či daný model má pre nás, ako investora nejaký prínos, si definujeme jednoduchú stratégiu. Na konci prebehne zhodnotenie, ktorý model nám za použitia danej stratégie prinesie najlepšie výsledky.

Keywords

neuronové sítě, strojové učení, LSTM, zpětné šíření chyby, ARIMA, časové řady, predikce časových řad

Keywords

LSTM, ARIMA, time series, machine learning, time series forecasting, neural networks, backpropagation

Keywords

neurónové siete, strojové učenie, LSTM, časové rady, ARIMA, predikcia časových radov, backpropagation

Language used: Slovak

Date on which the thesis was submitted / produced: 12. 3. 2018

Thesis defence

• Date of defence: 7. 2. 2019
• Supervisor: Jiří Witzany
• Reader: Jana Juhászová

Vysoká škola ekonomická v Praze

Master programme / field:
Finance a účetnictví / Finance