Is Artificial Intelligence Better in ForecastingStock Market Returns than Classical Methods?

Aleksandra Drašković

Diplomová práce

Je umělá inteligence lepší v předvídání výnosů z akciových trhů než klasické metody?

Anotace:

Práce analyzuje problematiku predikce výnosů z akciových trhů. Zvláště se zabývá diskusí, jakými metodami a modely lze výnosy prognózovat nejlépe. Kromě počátečního představení umělé inteligence a investičních technologií, studie zahrnuje jak přehled statistických modelů (ARMA, ARIMA, ARCH, NMA, TAR, and MSAR), tak i výpočetně inteligentních modelů a metod (především pak přibližuje čtenáři metodu umělých neuronových sítí, metodu podpůrných vektorů, fuzzy teorii množiny, evoluční algoritmy, expertní systémy, analýzu singulárního spektra, naivní Bayesovský klasifikátor, algoritmus k-nejbližších sousedů a hybridní modely). Empirická část práce si klade za cíl sledovat problematiku predikce výnosů z akciového trhu při zohlednění užití statistických a AI metod. Empirický výzkum se skládá ze dvou částí. První segment je věnován formulaci a generování systematického přehledu. Ze získaných výsledků vyplývá, že přibližně 73 % všech zahrnutých studií napomohlo k nezamítnutí nulové hypotézy o lepším výkonu modelů založených na strojovém učení. Druhá část je věnována představení vlastních konstruovaných modelů, konkrétně modelů ARIMA a LSTM. Nejprve jsou představeny oba typy modelů, poté jsou vytvořeny modely a následně jsou generovány předpovědi. Podle výsledků vlastní konstrukce srovnaných modelů se model LSTM, který patří do kategorie AI, ukázal jako efektivnější a přesnější ve svých predikovaných budoucích hodnotách. Druhá část empirického výzkumu proto také nezamítá nulovou hypotézu o lepší výkonosti AI metod.

Abstract:

The thesis analyzes the issue of predictions of stock market returns. In particular, it concentrates on the discussion about which methods and models can predict yields in the foremost efficient manner. Apart from the initial introduction of AI and the investment theories, the study includes both an overview of statistical models (ARMA, ARIMA, ARCH, ARCH, NMA, TAR, and MSAR) and computationally intelligent models and approaches (such as artificial neural networks, support vector machines, fuzzy set theory, evolutionary algorithms, expert systems, singular spectrum analysis, naive Bayes, k-nearest neighbors, and hybrid models). The empirical part of the thesis aims to observe the issue of predicting stock returns while considering statistical and AI methods. It comprises of two sections. The first segment is dedicated to formulating and generating a systematic review. From the obtained results, it can be seen that about 73 % of all included studies assist in not rejecting the null hypothesis of the superior performance of models based on machine learning. The second subdivision is devoted to introducing own constructed models, namely ARIMA models and an LSTM model. Both types of models are initially introduced, then the models are formed, and subsequently, forecasts are generated. According to the results of the own construction of comparison models, the LSTM model, which belongs to the AI category, proved to be more efficient and accurate in its predicted future values. Therefore, the second part of the empirical research also does not reject the null hypothesis of the better performance of the AI methods.

Klíčová slova

systematický přehled, predikce výnosů z akciových trhů, předpověď finančních časových řad, umělá inteligence, ANN, ARIMA, LSTM, akciový trh, investiční teorie

Keywords

artificial intelligence, ARIMA, prediction of stock market returns, LSTM, ANN, stock market, forecast of financial time series, investment theories, systematic review

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 31. 3. 2020

Obhajoba závěrečné práce

• Obhajoba proběhla 4. 2. 2021
• Vedoucí: Aleš Maršál
• Oponent: Pavel Potužák

Vysoká škola ekonomická v Praze

Magisterský studijní program / obor:
Ekonomie a hospodářská správa / Ekonomická analýza