Aplikace umělé inteligence při obchodování na kapitálových trzích
Název práce: | Forecasting Stock Returns Using Artificial Intelligence |
---|---|
Autor(ka) práce: | Seman, Šimon |
Typ práce: | Diploma thesis |
Vedoucí práce: | Fičura, Milan |
Oponenti práce: | Stádník, Bohumil |
Jazyk práce: | English |
Abstrakt: | Neural networks have been increasingly utilized for different tasks in the financial sector. The main goal of this master thesis is to compare neural networks’ short-term forecasting ability against a conventional time series forecasting model. A portion of the work addresses the theoretical foundations of neural networks and the associated machine learning concepts. In the empirical part, we applied two types of LSTM networks and a GARCH model on five daily stock returns data sets and compared their out-of-sample prediction accuracy using RMSE and Diebold-Mariano test. Additionally, we re-stated the task into a classification problem by transforming the models’ forecasts into binary trading signals and applied them in a backtest, where the performance of each strategy was evaluated by its profitability. |
Klíčová slova: | time series forecasting; GARCH; machine learning; neural networks |
Název práce: | Aplikace umělé inteligence při obchodování na kapitálových trzích |
---|---|
Autor(ka) práce: | Seman, Šimon |
Typ práce: | Diplomová práce |
Vedoucí práce: | Fičura, Milan |
Oponenti práce: | Stádník, Bohumil |
Jazyk práce: | English |
Abstrakt: | Neuronové sítě jsou stále více využívány ve finančním sektoru. Hlavním cílem této diplomové práce je porovnání krátkodobé predikční schopnosti neuronových sítí vůči konvenčnímu statistickému modelu časových řad. Část práce přibližuje teoretické základy neuronových sítí a relevantních konceptů strojového učení. V empirické části jsme aplikovali dva druhy LSTM sítí a GARCH model na pět datových sad denních výnosů akciových indexů a porovnali přesnost jejich predikce na testovacích datech pomocí RMSE a Diebold-Mariano testu. Následně byl problém přeformulován na klasifikační a predikované výnosy transformované do podoby binarizovaných obchodních signálů byly využity v backtestu, kterým byly jednotlivé strategie evaluovány na základě jejich výnosnosti. |
Klíčová slova: | neuronové sítě; modelování časových řad; GARCH; strojové učení |
Informace o studiu
Studijní program / obor: | Finance a účetnictví/Finanční inženýrství |
---|---|
Typ studijního programu: | Magisterský studijní program |
Přidělovaná hodnost: | Ing. |
Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
Fakulta: | Fakulta financí a účetnictví |
Katedra: | Katedra bankovnictví a pojišťovnictví |
Informace o odevzdání a obhajobě
Datum zadání práce: | 27. 10. 2019 |
---|---|
Datum podání práce: | 1. 6. 2020 |
Datum obhajoby: | 22. 6. 2020 |
Identifikátor v systému InSIS: | https://insis.vse.cz/zp/71438/podrobnosti |