Prediktivní modelování cen energetických derivátů pomocí technik strojového učení

Název práce: Predictive Modeling of Energy Derivatives Prices Using Machine Learning Techniques
Autor(ka) práce: Pavlov, Tomáš
Typ práce: Diploma thesis
Vedoucí práce: Drahokoupil, Jakub
Oponenti práce: Janda, Karel
Jazyk práce: English
Abstrakt:
This Master's thesis investigates the application of machine learning techniques in forecasting oil futures prices, with a particular focus on WTI crude oil contracts. The primary objective is to evaluate whether advanced models can outperform traditional time series benchmarks in short-term price prediction. The thesis begins with a comprehensive literature review covering oil derivatives pricing, machine learning modelling methods and commodity markets. The empirical part compares the performance of several forecasting ensemble and neural network models against benchmark time series model. Using historical daily price data, the models are assessed with standard error metrics to evaluate prediction accuracy. The results reveal that ensemble models consistently outperform traditional benchmarks. In contrast, LSTM models do not demonstrate superior performance over the benchmark.
Klíčová slova: oil; machine learning; derivatives; Commodity
Název práce: Prediktivní modelování cen energetických derivátů pomocí technik strojového učení
Autor(ka) práce: Pavlov, Tomáš
Typ práce: Diplomová práce
Vedoucí práce: Drahokoupil, Jakub
Oponenti práce: Janda, Karel
Jazyk práce: English
Abstrakt:
Tato magisterská práce zkoumá využití technik strojového učení při predikci cen ropných futures, se zvláštním zaměřením na kontrakty WTI. Hlavním cílem je posoudit, zda pokročilé modely dokážou v krátkodobé predikci cen překonat tradiční modely časových řad. Práce začíná přehledem literatury věnovaným oceňování ropných derivátů, metodám modelování ve strojovém učení a trhům s komoditami. Empirická část porovnává výkon několika ensembleových modelů a neuronových sítí s referenčním modelem časových řad. S využitím historických denních cen jsou modely hodnoceny pomocí standardních chybových metrik pro posouzení přesnosti predikce. Výsledky ukazují, že ensembleové modely konzistentně překonávají tradiční benchmarky. Naproti tomu LSTM modely nevykazují lepší výkon oproti referenčnímu modelu.
Klíčová slova: Komodity; ropa; machine learning; deriváty

Informace o studiu

Studijní program / obor: 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: 21. 3. 2024
Datum podání práce: 9. 6. 2025
Datum obhajoby: 24. 6. 2025
Identifikátor v systému InSIS: https://insis.vse.cz/zp/88100/podrobnosti

Soubory ke stažení

    Poslední aktualizace: