Aplikace umělé inteligence při předvídání volatility cen finančních aktiv

Andrea Mikulovská

Master's thesis

Abstract:

V posledních desetiletích se dostává do popředí vysokofrekvenční obchodování a obecněji vysokofrekvenční datové modelování, a proto je tato práce zaměřena na takové modelování. U vysokofrekvenčních dat vzniká problém s vnitrodenní sezónností, který není tak snadné vyřešit jako mezidenní nebo nižší sezónnost. Cílem této diplomové práce je modelování, predikce a vypořádání se se sezónností 1-minutových vnitrodenních dat časové řady Tesla za použití benchmark modelu MC-GARCH a jeho porovnání s modely neuronových sítí, přesněji autoregresním modelem feedforwardové neuronové sítě s jednou skrytou vrstvou a sítí LSTM se dvěma skrytými vrstvami a také byl použit algoritmus k-nejbližšího sousedství. Pro každý model jsou vypočítáne tři různé rolling předpovědi s n-periodou dopředu. Prediktivní schopnost modelů je následně porovnána pomocí RMSE metriky.

Abstract:

As the high-frequency trading and, in more general, high-frequency data modelling has come to the fore in the last decades, this thesis focuses on a such modelling. In high frequency data arises a problem with intraday seasonality which is not as easy to solve as interday or less frequent seasonality. The aim of this master thesis is modelling, predicting and coping with seasonality of 1-minute intraday data of the Tesla time series, using benchmark model MC-GARCH and comparing it with models of artificial neural networks, more precisely, feedforward neural network autoregression model with single hidden layer and LSTM network with two hidden layers, and also k-nearest neighbourhood algorithm was used. For each model, three different n-period ahead rolling predictions are made. Predictive ability of models is then compared using RMSE metric.

Keywords

Volatilita, MC-GARCH, Neurónové sítě, K-nejbližší sousedství

Keywords

Volatility, MC-GARCH, Neural Network, K-nearest neighbourhood

Language used: English

Date on which the thesis was submitted / produced: 30. 12. 2021

Thesis defence

• Date of defence: 20. 1. 2022
• Supervisor: Milan Fičura
• Reader: Michal Vyletelka

Vysoká škola ekonomická v Praze

Master programme:
Finanční inženýrství