Forecasting Stock Returns Using Artificial Intelligence
Thesis title: | Forecasting Stock Returns Using Artificial Intelligence |
---|---|
Author: | Seman, Šimon |
Thesis type: | Diploma thesis |
Supervisor: | Fičura, Milan |
Opponents: | Stádník, Bohumil |
Thesis language: | English |
Abstract: | Neural networks have been increasingly utilized for different tasks in the financial sector. The main goal of this master thesis is to compare neural networks’ short-term forecasting ability against a conventional time series forecasting model. A portion of the work addresses the theoretical foundations of neural networks and the associated machine learning concepts. In the empirical part, we applied two types of LSTM networks and a GARCH model on five daily stock returns data sets and compared their out-of-sample prediction accuracy using RMSE and Diebold-Mariano test. Additionally, we re-stated the task into a classification problem by transforming the models’ forecasts into binary trading signals and applied them in a backtest, where the performance of each strategy was evaluated by its profitability. |
Keywords: | time series forecasting; GARCH; machine learning; neural networks |
Thesis title: | Aplikace umělé inteligence při obchodování na kapitálových trzích |
---|---|
Author: | Seman, Šimon |
Thesis type: | Diplomová práce |
Supervisor: | Fičura, Milan |
Opponents: | Stádník, Bohumil |
Thesis language: | English |
Abstract: | Neuronové sítě jsou stále více využívány ve finančním sektoru. Hlavním cílem této diplomové práce je porovnání krátkodobé predikční schopnosti neuronových sítí vůči konvenčnímu statistickému modelu časových řad. Část práce přibližuje teoretické základy neuronových sítí a relevantních konceptů strojového učení. V empirické části jsme aplikovali dva druhy LSTM sítí a GARCH model na pět datových sad denních výnosů akciových indexů a porovnali přesnost jejich predikce na testovacích datech pomocí RMSE a Diebold-Mariano testu. Následně byl problém přeformulován na klasifikační a predikované výnosy transformované do podoby binarizovaných obchodních signálů byly využity v backtestu, kterým byly jednotlivé strategie evaluovány na základě jejich výnosnosti. |
Keywords: | neuronové sítě; modelování časových řad; GARCH; strojové učení |
Information about study
Study programme: | Finance a účetnictví/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: | 27. 10. 2019 |
---|---|
Date of submission: | 1. 6. 2020 |
Date of defense: | 22. 6. 2020 |
Identifier in the InSIS system: | https://insis.vse.cz/zp/71438/podrobnosti |