Aplikace modelů časových řad a metod strojového učení pro predikci výnosností akcií
Název práce: | Application of time series models and machine learning methods for stock returns prediction |
---|---|
Autor(ka) práce: | Vodolazskyi, Oleksandr |
Typ práce: | Diploma thesis |
Vedoucí práce: | Fičura, Milan |
Oponenti práce: | Juhászová, Jana |
Jazyk práce: | English |
Abstrakt: | In this diploma thesis we applied time series models and machine learning methods on real stock data to predict future returns movements. The time series models include ARMA and GARCH models. We also used several machine learning algorithms such as logistic regression, gradient boosted trees and Long Short-Term Memory neural networks. The models were used to predict future daily returns movements. Then strategies based on predictions were evaluated by their profitability and riskiness. Also we measured the quality of the models from the point of accuracy and discrimination power. The main goal of the thesis is to compare results of the models application with the Buy & Hold strategy and between each other. |
Klíčová slova: | Logistic regression; Artificial neural networks; Long Short-Term Memory; Prediction; Machine learning; Python; Stock returns; GARCH; Time serires; ARMA; Decision trees |
Název práce: | Aplikace modelů časových řad a metod strojového učení pro predikci výnosností akcií |
---|---|
Autor(ka) práce: | Vodolazskyi, Oleksandr |
Typ práce: | Diplomová práce |
Vedoucí práce: | Fičura, Milan |
Oponenti práce: | Juhászová, Jana |
Jazyk práce: | English |
Abstrakt: | V této diplomové práci jsme aplikovali modely časových řad a metody strojového učení na reálná akciová data pro predikci pohybů budoucích výnosů. Mezi modely časových řad patří modely ARMA a GARCH. Také jsme požili několik algoritmů strojového učení, jako je logistická regrese, gradient boosted trees a takzvané Long Short-Term Memory neuronové sítě. Tyto modely byly použité pro predikci pohybů budoucích výnosů akcí. Strategie založené na předpovědích byly vyhodnoceny podle jejich ziskovosti a rizikovosti. Také jsme změřili kvalitu modelů z hlediska přesnosti a diskriminační schopnosti. Hlavním cílem práce je porovnání výsledků aplikace zvolených modelů se strategií Buy & Hold a mezi sebou. |
Klíčová slova: | Časové řady; Přepdopěď; Strojové účení; Python; Výnosy akcií; ARMA; Rozhodovací stromy; Umělé neuronové sítě; Long Short-Term Memory; GARCH; Logistická regrese |
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: | 1. 3. 2017 |
---|---|
Datum podání práce: | 4. 5. 2018 |
Datum obhajoby: | 24. 5. 2018 |
Identifikátor v systému InSIS: | https://insis.vse.cz/zp/61325/podrobnosti |