Využití externích dat pro analýzu úspěšnosti IPOs po uvedení na burzu
Autor(ka) práce:
Pražský, Michal
Typ práce:
Diplomová práce
Vedoucí práce:
Černý, Jan
Oponenti práce:
Zimmermann, Pavel
Jazyk práce:
Česky
Abstrakt:
Diplomová práce se zabývá predikcí úspěšnosti společností při vstupu na veřejný akciový trh Nasdaq s využitím metod strojového učení. Cílem práce je identifikovat klíčové faktory ovlivňující výkonnost IPO v prvním roce po emisi a posoudit, zda v dlouhodobém horizontu převažuje vliv fundamentálních ukazatelů nad počátečním tržním sentimentem. Navržené řešení je pipeline vyvinutá v jazyce Python, která automatizuje celý proces od sběru dat až po finální predikci. Architektura řešení zahrnuje scrapovací moduly pro získávání veřejně dostupných dat. Jádro řešení tvoří model založený na algoritmu XGBoost, jehož hyperparametry jsou optimalizovány pomocí frameworku Optuna se zaměřením na maximalizaci metriky ROC AUC, aby bylo dosaženo co největší schopnosti separace úspěšných a neúspěšných emisí. Vyhodnocení bylo provedeno ve dvou fázích. Nejdříve byla provedena analýza důležitosti proměnných (feature importance), která odhalila, že i přes silný vliv počátečního sentimentu hrají v dlouhodobém horizontu zásadní roli fundamentální ukazatele a makroekonomický stav trhu jako celku. Poté byla provedena ekonomická simulace investiční strategie, která prokázala existenci fenoménu podhodnocení akcií (underpricing) a potvrdila schopnost modelu generovat nadvýnos oproti plošnému nákupu všech titulů IPO v rámci testovaného vzorku.
Use of external data to analyze the success of IPOs after listing
Autor(ka) práce:
Pražský, Michal
Typ práce:
Diploma thesis
Vedoucí práce:
Černý, Jan
Oponenti práce:
Zimmermann, Pavel
Jazyk práce:
Česky
Abstrakt:
This master's thesis focuses on predicting the success of companies' initial public offerings (IPOs) on the Nasdaq stock exchange using machine learning methods. The objective of the study is to identify key factors influencing IPO performance within the first year of trading and to assess whether fundamental indicators outweigh initial market sentiment in the long term. The proposed solution is a Python pipeline that automates the entire process, from data collection to final prediction. The architecture includes scraping modules for gathering publicly available data. The core of the solution is an XGBoost-based model, with hyperparameters optimised using the Optuna framework. The optimisation focuses on maximising the ROC AUC to achieve the greatest possible separation between successful and unsuccessful offerings. The evaluation was conducted in two phases. First, a feature importance analysis revealed that, despite the strong influence of initial sentiment, fundamental indicators and the overall macroeconomic state of the market play a crucial role in the long run. Subsequently, an economic simulation of an investment strategy was conducted, demonstrating underpricing and confirming the model's ability to generate alpha (excess return) relative to a benchmark of purchasing all IPOs in the test sample.
Klíčová slova:
machine learning; XGBoost; fundamental analysis; market sentiment; web scraping; IPO; NASDAQ