Time Series Forecasting with General Regression Neural Network

Patrik Hric

Diplomová práce

Predikce časových řad pomocí obecných regresních neuronových sítí

Anotace:

Tato diplomová práce představuje metodiku predikce závěrečných cen měnového páru BTC-USD založenou na obecných regresních neuronových sítích (GRNN), což je třída neparametrických modelů určených k odhadu složitých funkčních vztahů na základě dat. Navržený přístup se snaží zlepšit predikční přesnost pomocí vícestupňového modelovacího postupu, který zahrnuje zpožděné vstupní proměnné, váhový vektor citlivý na nedávný vývoj, jenž zvýrazňuje krátkodobou dynamiku, a také konvoluční transformace pro vytvoření pokročilejších časových reprezentací. Predikce je realizována pomocí rekurzivní strategie s krokem o jeden časový bod dopředu a hodnocena prostřednictvím metrik jako odmocnina střední kvadratický chybý (RMSE), průměrná procentuální absolutní chyba (MAPE) a průměrná absolutní chyba (MAE). Model GRNN je porovnáván s automatizovaným rámcem ARIMA, aby byla posouzena relativní přesnost predikce za reálných tržních podmínek. Výsledky ukazují, že vylepšená architektura GRNN dosahuje srovnatelných výsledků s referenčním modelem, přičemž nabízí vyšší flexibilitu při přizpůsobení se nestacionárním a strukturálně se měnícím datům.

Abstract:

This thesis presents a forecasting methodology for BTC-USD Close Prices based on General Regression Neural Networks (GRNN), a class of nonparametric models designed to estimate complex functional relationships from data. The proposed approach addresses limitations in predictive performance through a multi-stage modeling pipeline incorporating lagged in- put features, a recency-sensitive weighting vector to emphasize short-term dynamics, and convolution-based transformations to construct higher-level temporal representations. Fore- casting is conducted using a recursive one-step-ahead strategy and evaluated via root mean squared error (RMSE), mean absolute percentage error (MAPE), and mean absolute error (MAE). The GRNN model is benchmarked against the Automatic ARIMA framework to assess comparative forecasting accuracy under real-market conditions. Results indicate that the enhanced GRNN architecture achieves performance on par with the benchmark while offering greater flexibility in adapting to nonstationary and structurally evolving data.

Klíčová slova

ARIMA, konvoluce, Obecná regresní neuronová síť, predikce

Keywords

ARIMA, convolution, forecasting, General Regression Neural Network

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 25. 6. 2025

Obhajoba závěrečné práce

• Obhajoba proběhla 19. 8. 2025
• Vedoucí: Karel Šafr
• Oponent: Adam Čabla

Vysoká škola ekonomická v Praze

Magisterský studijní program:
Statistika