Srovnání klasické regrese a neuronových sítí při prognóze měnového kurzu

Inga Nikonova

Master's thesis

Comparison of classical regression and neural networks in exchange rate forecasting

Abstract:

Tato diplomová práce se zabývá prognózou měnového kuru při použití metod umělé inteligence a klasické regrese. Teoretická část se skládá ze čtyř kapitol. První kapitola popisuje všechny nezbytné informace týkající se devizových kurzů – měnový kurz, režimy měnového kurzu, faktory ovlivňující pohyb kurzu z pohledu časového horizontu, určení možných determinant měnového kurzu pro následující prognózu. Druhá kapitola je věnovaná časovým řadám a různým regresním modelům pro jejích prognózu. Třetí kapitola pečlivě popisuje metody strojového učení a konkrétně metodu neuronových sítí, která je dále použitá v samotné práci. Poslední teoretická kapitola popisuje metodiku pro dolování dat CRISP-DM v souladu se kterou je pak udělaná praktická část. V praktické části je provedena prognóza měnového kurzu EUR/USD v souladu s teoretickou části. Predikce měnového kurzu je udělána podle metodiky CRISP-DM, která zahrnuje předzpracování dat, výstavbu modelů a jejich validaci. Regresní modely a modely neuronových sítí jsou aplikovány na prognózu měnového kurzů. V závěru se realizuje porovnání predikční schopností obou modelů na testovacích datech.

Abstract:

This diploma thesis deals with the exchange rate forecast using the method of artificial intelligence and classical regression. The theoretical part consists of four chapters. The first chapter describes all important information concerning exchange rates – exchange rate, exchange rate regimes, factors influencing the exchange rate from the point of view of the time horizon, determination of possible exchange rate determinants for the following forecast. The second chapter is devoted to time controllers and various regression models for your prognosis. The third chapter describes the methods of machine learning and the specific method of neural networks, which is further used in their own work. The last theoretical chapter tells about the methodology for CRISP-DM data mining in accordance with the practical part. In the practical part, the author forecasts the EUR / USD exchange rate in conjunction with the theoretical part. Exchange rate prediction is given according to the CRISP-DM methodology, which includes data preprocessing, model construction and their validation. Regression models and neural network models are applied to the exchange rate forecast. In conclusion, the author compares the predictive capabilities of both models on test data.

Keywords

měnový kurz, neuronové sítě, regrese, makroekonomické indikátory

Keywords

neural networks, regression, macroeconomic indicators, exchange rate

Language used: Czech

Date on which the thesis was submitted / produced: 31. 10. 2018

Thesis defence

• Date of defence: 18. 6. 2021
• Supervisor: Jiří Witzany
• Reader: Petra Budská

Vysoká škola ekonomická v Praze

Master programme / field:
Finance a účetnictví / Finanční inženýrství