Využití hlubokých neuronových sítí k predikci kurzu akcií s technickými indikátory
Název práce: | Využití hlubokých neuronových sítí k predikci kurzu akcií s technickými indikátory |
---|---|
Autor(ka) práce: | Ruban, Mariia |
Typ práce: | Diplomová práce |
Vedoucí práce: | Tran, Van Quang |
Oponenti práce: | Dudzich, Viktar |
Jazyk práce: | Česky |
Abstrakt: | Tato diplomová práce zkoumá možnosti využití hlubokých neuronových sítí, konkrétně modelů RNN, LSTM a GRU, k predikci kurzů akcií na základě technických indikátorů. Práce se zaměřuje na propojení teoretických znalostí o procesech obchodování, technické analýze a moderních metod hlubokého učení. V teoretické části je popsána technická analýza finančních trhů, její nástroje, grafické metody a zásadní technické indikátory. Součástí je zároveň podrobný popis principů fungování neuronových sítí, jejich struktur, procesu učení a optimalizace. Praktická část zahrnuje předzpracování dat, aplikaci vybraných modelů a jejich evaluaci na historických datech. Modely byly testovány na různých metrikách výkonnosti a pak uděláno porovnání výsledků. Kromě toho byly popsané a testovány dvě investiční strategie: "kup a drž" a spekulační strategie založená na lokálních maximech a minimech. Výsledky ukázaly, že modely LSTM a GRU dosahují vyšší přesnosti a stability než tradiční RNN, zejména při predikci dlouhodobých trendů. Vizualizace predikcí a bodů rozhodování poskytly cenné informace pro optimalizaci investičních strategií. Tato práce přispívá k rozvoji znalostí o využití neuronových sítí v analýze finančních časových řad a jejich potenciálu v praktickém obchodování. |
Klíčová slova: | Kapitálové trhy; Technická analýza; Hluboké učení; Umělá inteligence; Neuronové sítě; Predikce hodnot; RNN, LSTM, GRU; Investiční strategie |
Název práce: | Usage of Deep Neural Networks for Stock Price Prediction Using Technical Indicators |
---|---|
Autor(ka) práce: | Ruban, Mariia |
Typ práce: | Diploma thesis |
Vedoucí práce: | Tran, Van Quang |
Oponenti práce: | Dudzich, Viktar |
Jazyk práce: | Česky |
Abstrakt: | This thesis explores the potential of deep neural networks, specifically RNN, LSTM, and GRU models, for stock price prediction based on technical indicators. The study focuses on bridging theoretical knowledge of technical analysis with modern deep learning methods. The theoretical part provides an overview of financial market technical analysis, its tools, graphical methods, and main technical indicators. It also includes a detailed explanation of the principles of neural networks, their structures, learning processes, and optimization. The practical section involves data preprocessing, implementation of selected models, and their evaluation on historical data. The models were tested using different performance metrics and their results were compared. Additionally, two investment strategies were developed and tested: "buy and hold" and a strategy based on local maxima and minima. The results demonstrated that LSTM and GRU models achieve higher accuracy and stability compared to traditional RNN, particularly in predicting long-term trends. Visualization of predictions and decision points provided valuable insights for optimizing investment strategies. This thesis contributes to the understanding of applying neural networks in financial time series analysis and their potential in practical trading. |
Klíčová slova: | Neural networks; Investment strategies; Capital markets; Deep learning; Artificial intelligence; Technical analysis; RNN, LSTM, GRU; Value prediction |
Informace o studiu
Studijní program / obor: | Bankovnictví a pojišťovnictví |
---|---|
Typ studijního programu: | Magisterský studijní program |
Přidělovaná hodnost: | Ing. |
Instituce přidělující hodnost: | Vysoká škola ekonomická v Praze |
Fakulta: | Fakulta financí a účetnictví |
Katedra: | Katedra měnové teorie a politiky |
Informace o odevzdání a obhajobě
Datum zadání práce: | 18. 9. 2023 |
---|---|
Datum podání práce: | 13. 1. 2025 |
Datum obhajoby: | 4. 2. 2025 |
Identifikátor v systému InSIS: | https://insis.vse.cz/zp/85438/podrobnosti |