Aplikace umělé inteligence při předvídání volatility cen finančních aktiv

V posledních desetiletích se dostává do popředí vysokofrekvenční obchodování a obecněji vysokofrekvenční datové modelování, a proto je tato práce zaměřena na takové modelování. U vysokofrekvenčních dat vzniká problém s vnitrodenní sezónností, který není tak snadné vyřešit jako mezidenní nebo nižší sezónnost. Cílem této diplomové práce je modelování, predikce a vypořádání se se sezónností 1-minutových vnitrodenních dat časové řady Tesla za použití benchmark modelu MC-GARCH a jeho porovnání s modely neuronových sítí, přesněji autoregresním modelem feedforwardové neuronové sítě s jednou skrytou vrstvou a sítí LSTM se dvěma skrytými vrstvami a také byl použit algoritmus k-nejbližšího sousedství. Pro každý model jsou vypočítáne tři různé rolling předpovědi s n-periodou dopředu. Prediktivní schopnost modelů je následně porovnána pomocí RMSE metriky.