Time Series Forecasts using the Neural Networks
Název práce: | Time Series Forecasts using the Neural Networks |
---|---|
Autor(ka) práce: | Čurpek, Juraj |
Typ práce: | Diploma thesis |
Vedoucí práce: | Fičura, Milan |
Oponenti práce: | Fučík, Vojtěch |
Jazyk práce: | English |
Abstrakt: | This diploma thesis is devoted to the analysis of the Long Short-Term Memory neural networks performance in prediction of randomly selected financial time series from Yahoo!Finance. Firstly,we determined five most precise LSTM models used for predictions of 150 financial time series of stocks from various industries. Then we calculated the statistical measures related to the time series predictability - the Hurst Coefficient, Metric Entropy and the largest Lyapunov Exponent. By estimation of the simple regression lines and the correlation coefficients we try to determine possible relationship between the quality of prediction represented by the average RMSE and each of the statistics related to the time series predictability with the consequent comparison with the theoretical assumptions. |
Klíčová slova: | Python; Time Series; Hurst Coefficient; Long Short-Term Memory; Lyapunov Exponent; Forecast; Artificial Neural Networks; Sample Entropy |
Název práce: | Time Series Forecasts using the Neural Networks |
---|---|
Autor(ka) práce: | Čurpek, Juraj |
Typ práce: | Diplomová práce |
Vedoucí práce: | Fičura, Milan |
Oponenti práce: | Fučík, Vojtěch |
Jazyk práce: | English |
Abstrakt: | V této diplomové práci se věnujeme analýze schopnosti takzvaných Long Short-Term Memory neuronovych síti předpovědet náhodně vybrané finanční časové řady dostupné na webu Yahoo!Finance. Nejprve jsme určili pět nejvhodnějších modelů LSTM, které byly použity pro předpovědi 150 finančních časových řad z různých odvětví. Poté jsme z nich vypočítali statistické ukazatele týkající se predikovatelnosti časových řad - Hurstův koeficient, Metrická entropie a největšíı Lyapunov exponent. Nakonec pomoci jednoduché regresní analýzy a korelačních koeficientů se snažíme určit vztah mezi kvalitou předpovědi reprezentovanou průměrným RMSE a statistikami vztahující se k predikovatelnosti časových řad s následným porovnáním s teoretickými předpoklady. |
Klíčová slova: | Časové řady; Long Short-Term Memory; Předpověď; Umělé neuronové sítě; Metrická entropie; Hurstův koeficient; Lyapunov exponent; Python |
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: | 14. 2. 2017 |
---|---|
Datum podání práce: | 3. 1. 2018 |
Datum obhajoby: | 18. 1. 2018 |
Identifikátor v systému InSIS: | https://insis.vse.cz/zp/60727/podrobnosti |