Aplikace umělé inteligence při obchodování na kapitálových trzích

The thesis explores the application of artificial intelligence in financial market predictions, comparing the ARIMA-GARCH and LSTM (Long Short-Term Memory) models. These methods were applied to predict stock returns of the Dow Jones Industrial Average (DJIA) index. The results revealed that neither of these models outperformed the investment strategy of buy-and-hold. While both approaches demonstrate the ability to analyze historical data and identify trends, their effectiveness under real-world conditions is limited. The thesis identifies key factors influencing the success of these models and evaluates their limitations, offering recommendations for further research in the field of machine learning and financial markets.

Diplomová práce se zabývá využitím umělé inteligence při predikci finančních trhů, přičemž porovnává modely ARIMA-GARCH a LSTM (Long Short Term Memory). Tyto metody byly aplikovány na predikci výnosů akcií indexu Dow Jones Industrial Average (DJIA). Výsledky ukázaly, že ani jeden z těchto modelů nepřekonal investiční strategii „koupit a držet“. Přestože oba přístupy demonstrují schopnost analyzovat historická data a identifikovat trendy, jejich efektivita v reálných podmínkách je omezená. Práce identifikuje klíčové faktory ovlivňující úspěšnost těchto modelů a hodnotí jejich omezení, přičemž navrhuje doporučení pro další výzkum v oblasti strojového učení a finančních trhů.