Inteligentné systémy a predikcia časových radov

Autor práce: Urbanová, Sabína
Typ práce: Diplomová práce
Vedoucí práce: Witzany, Jiří
Osoba oponující práci: Juhászová, Jana

Informace o vysokoškolské kvalifikační práci

Název práce: Inteligentné systémy a predikcia časových radov
Typ práce: info:eu-repo/semantics/masterThesis
Jazyk práce: Slovensky
Abstrakt: Diplomová práca sa zaoberá popisom a zostrojením troch modelov, doprednej neurónovej siete učiacej sa na základe algoritmu spätného šírenia chyby, rekurentnej siete LSTM (long short-term memory) a autoregresný integrovaný kĺzavý priemer ARIMA. K analýze sú použité informácie o otváracích, uzatváracích cenách, najvyššej a najnižšej cene v danom dni a zobchodovaného objemu desiatich akcií obchodovaných na New York Stock Exchange. Dostupné dáta (od januára 2010 do decembra 2016) sú rozdelené do dvoch množín, na prvej, trénovacej množine prebieha proces učenia, na druhej, testovacej, overujeme predikčnú schopnosť modelu, kde predikovaná hodnota je uzatváracia cena daného dňa. Pre posúdenie, či daný model má pre nás, ako investora nejaký prínos, si definujeme jednoduchú stratégiu. Na konci prebehne zhodnotenie, ktorý model nám za použitia danej stratégie prinesie najlepšie výsledky.
Klíčová slova: neurónové siete; strojové učenie; LSTM; časové rady; ARIMA; predikcia časových radov; backpropagation

Informace o studiu

Studijní program a Studijní obor: Finance a účetnictví/Finance
Typ studijního programu: Magisterský navazující studijní program
Jméno přidělované hodnosti: Ing.
Instituce přidělující hodnost: University of Economics, Prague
Název fakulty: Faculty of Finance and Accounting
Název katedry: Department of Banking and Insurance
Instituce archivující a zpřístupňující VŠKP: University of Economics, Prague

Informace o vysokoškolské kvalifikační práci

Název práce: Inteligentné systémy a predikcia časových radov
Překlad názvu: Intelligent systems and time series forecasting
Typ práce: Master thesis
Jazyk práce: Slovak
Abstrakt: In the diploma thesis we are describing and applying three models - Feedforward neural network, whose learning process is based on backpropagation principles, recurent LSTM (long short-term memory) network and ARIMA autoregressive integrated moving average. For analysis, information about opening, closing price, highest, lowest price of a day and volume of trade are used. Used data (since January 2010 until December 2016) are split into training and testing dataset. On the first one, training dataset, model is learning and on the second, testing dataset, we are making a prediction of closing price. For evaluation, whether a model is useful for investors, we develop a simple strategy. At the end, we evaluate, which model provides us the best results.
Klíčová slova: LSTM; ARIMA; time series; machine learning; time series forecasting; neural networks; backpropagation

Informace o studiu

Studijní program a Studijní obor: Finance a účetnictví/Finance
Typ studijního programu: Magisterský navazující studijní program
Jméno přidělované hodnosti: Ing.
Instituce přidělující hodnost: University of Economics, Prague
Název fakulty: Faculty of Finance and Accounting
Název katedry: Department of Banking and Insurance
Instituce archivující a zpřístupňující VŠKP: University of Economics, Prague

Informace o odevzdání a obhajobě

Datum zadání práce: 12. 3. 2018
Datum podání práce: 16. 1. 2019
Datum obhajoby: 07.02.2019
Výsledek obhajoby: Závěrečná práce byla úspěšně obhájena

Soubory ke stažení

Hlavní práce65379_xurbs00.pdf [3,99 MB]
Veřejná příloha18131_xurbs00.txt [18,47 kB]
Oponentura60134_xjuhj00.pdf [303,76 kB]
Hodnocení vedoucího65379_witzanyj.pdf [635,91 kB]

Údaje ze systému InSIS

Identifikátor https://insis.vse.cz/zp/65379/podrobnosti