Exploiting time series models for pricing fluctuation forecasting and its application

Toai Kim Tran

Doctoral thesis

Abstract:

Tato disertační práce se zabývá využitím algoritmů strojového učení pro předpovídání trendů v časových řadách dat se zaměřením na finanční a meteorologické aplikace. Přesné předpovědi jsou důležité pro přijímání důležitých rozhodnutí v podnikání a technice. Studie zkoumá nové hybridní modely strojového učení, které předpovídají přesněji, a předložená práce také studuje efektivitu algoritmů a využití paměti. Jádrem výzkumu je zkoumání těchto nových modelů, které kombinují analýzu časových řad, předzpracování dat a moderní techniky strojového učení. Tato kombinace vede k lepšímu výkonu při předpovídání složitých reálných dat. Klíčovým rysem této práce je způsob propojení těchto predikčních modelů s rozhodovacími procesy a posilováným učení (reinforcement learning). Studie zkoumá rámec pro efektivní supervisor systém založený na posilováném učení tím, že vytváří vztah mezi prediktivními modely a rozhodovacími systémy. Tento systém je schopen řídit strategická rozhodnutí a optimalizovat výsledky v oblastech, jako je obchodování a aplikace související s počasím. Práce podrobně popisuje několik hlavních kroků k vytvoření robustního systému pro předpovídání z komplexních dat časových řad, který může pomoci přijímat nejlepší rozhodnutí v oblasti obchodování nebo práce s meteorologickými daty. Tato práce ukazuje tedy nový způsob využití strojového učení pro předpovídání a rozhodování v různých oblastech. Dílčí cíle jsou uvedeny níže:

Abstract:

This dissertation explores the use of machine learning algorithms for predicting trends in time series data, focusing on financial and weather applications. Accurate predictions are vital for making important decisions in business and engineering. The study develops new hybrid machine learning models that predict more accurately, and the presented work also studies algorithm efficiency and memory utilization. The research's core is exploring these new models that blend time series analysis, data preprocessing, and modern machine learning techniques. This combination leads to better performance in predicting complex, real-world data. A key feature of this work is how it connects these predictive models with decision-making processes and reinforcement learning. The study explores a framework for an efficient reinforcement learning-based supervisory system by establishing a relationship between predictive models and decision systems. This system is adept at guiding strategic decisions and optimizing outcomes in areas like trading and weather-related applications. The thesis details several main steps to build a robust system for forecasting complex time series data, which can help make the best decisions in trading or dealing with weather data. This work shows a new way to use machine learning for forecasting and decision-making in various fields.

Keywords

Časové řady, dlouhodobé předpovídání, krátkodobé předpovídání, MDP, algoritmy strojového učení, posilované učení, Q-learning, predikce, ICO, meteorologická data

Keywords

Time-series, long-term, short-term, MDP, machine learning algorithms, reinforcement learning, Q-learning, prediction, ICO, meteorological data

Language used: English

Date on which the thesis was submitted / produced: 9. 11. 2023

Thesis defence

• Date of defence: 26. 6. 2024
• Supervisor: Roman Šenkeřík
• Reader: Martin Kotyrba, Zuzana Komínková Opatková, Petr Šaloun

VSB – Technical University of Ostrava

Fakulta elektrotechniky a informatiky

Doctoral programme / field:
Informatika, komunikační technologie a aplikovaná matematika / Informatika