Predicting the Direction of the S&P 500 Index Using Machine Learning Methods

Thesis title: Aplikácia strojového učenia na predikciu smeru pohybu indexu S&P 500
Author: Ďuriač, Peter
Thesis type: Diploma thesis
Supervisor: Fičura, Milan
Opponents: Folprecht, Marek
Thesis language: Slovensky
Abstract:
Diplomová práca skúma využitie metód strojového učenia pri predikcii budúceho vývoja indexu S&P 500. Predmetom analýzy je predikcia smeru pohybu a podmieneného rozdelenia výnosov na dennom, týždňovom a mesačnom horizonte. Výsledky ukazujú, že smer budúcich výnosov sa nepodarilo spoľahlivo predpovedať a zložitejšie modely nepriniesli významné zlepšenie oproti logistickej regresii. Naopak, pri predikcii podmieneného rozdelenia výnosov dosiahla najlepšie výsledky kvantilová regresia, najmä pri odhade krajných kvantilov a volatility. Zistenia naznačujú, že krátkodobá predikovateľnosť indexu S&P 500 sa nachádza skôr vo volatilite a šírke rozdelenia výnosov než v samotnom smere budúceho pohybu.
Keywords: Strojové učenie; predikčný signál; kvantilová regresia; random forest; predikcia výnosov; XGBoost; neurónová sieť
Thesis title: Aplikácia strojového učenia na predikciu smeru pohybu indexu S&P 500
Author: Ďuriač, Peter
Thesis type: Diplomová práce
Supervisor: Fičura, Milan
Opponents: Folprecht, Marek
Thesis language: Slovensky
Abstract:
Diplomová práce zkoumá využití metod strojového učení při predikci budoucího vývoje indexu S&P 500. Předmětem analýzy je predikce směru pohybu a podmíněného rozdělení výnosů na denním, týdenním a měsíčním horizontu. Výsledky ukazují, že směr budoucích výnosů se nepodařilo spolehlivě předpovědět a složitější modely nepřinesly významné zlepšení oproti logistické regresi. Naopak při predikci podmíněného rozdělení výnosů dosáhla nejlepších výsledků kvantilová regrese, zejména při odhadu krajních kvantilů a volatility. Zjištění naznačují, že krátkodobá predikovatelnost indexu S&P 500 spočívá spíše ve volatilitě a šířce rozdělení výnosů než v samotném směru budoucího pohybu.
Keywords: strojové učení; predikce výnosů; predikční signál; kvantilová regrese; random forest; XGBoost; neuronová síť
Thesis title: Predicting the Direction of the S&P 500 Index Using Machine Learning Methods
Author: Ďuriač, Peter
Thesis type: Diploma thesis
Supervisor: Fičura, Milan
Opponents: Folprecht, Marek
Thesis language: Slovensky
Abstract:
This master’s thesis examines the application of machine learning methods to predicting the future development of the S&P 500 index. The analysis focuses on predicting the direction of movement and the conditional distribution of returns over daily, weekly, and monthly horizons. The results show that the direction of future returns could not be predicted reliably and that more complex models did not provide a significant improvement over logistic regression. In contrast, quantile regression achieved the best results in predicting the conditional distribution of returns, particularly in estimating tail quantiles and volatility. The findings suggest that the short-term predictability of the S&P 500 index lies more in the volatility and dispersion of the return distribution than in the direction of future movements itself.
Keywords: XGBoost; machine learning; return prediction; quantile regression; random forest; neural network; predictive signal

Information about study

Study programme: Finanční inženýrství
Type of study programme: Magisterský studijní program
Assigned degree: Ing.
Institutions assigning academic degree: Vysoká škola ekonomická v Praze
Faculty: Faculty of Finance and Accounting
Department: Department of Banking and Insurance

Information on submission and defense

Date of assignment: 1. 3. 2026
Date of submission: 17. 8. 2026
Date of defense: 8. 9. 2026
Identifier in the InSIS system: https://insis.vse.cz/zp/95889/podrobnosti

Files for download

    Last update: