Original title:
The use of artificial intelligence methods for time series prediction
Authors:
Tripathi, Ankit Document type: Master’s theses
Year:
2023
Language:
eng Abstract:
[eng][cze] Financial market analysis and prediction have been topics of interest to traders and investors for decades. This thesis presents a comprehensive study on time series forecasting in the dynamic financial market of India, utilising a decade of historical data from Reliance Company's stock prices. The research encompasses three key components: bibliometric analysis for the domain globally, comparative evaluation of time series prediction methods in Indian markets, and implementation of a pre-processing approach incorporating economic factors on the selected models. Every section builds upon the collected information in the preceding section. The bibliometric analysis was used to establish an understanding of prevailing trends in time series forecasting techniques and answer relevant questions in the context of Indian markets to narrow down the scope of the study. This has been done by analysing 2202 documents ranging from the period of 1994-2023 consisting of articles, book chapter, review, book, note and letters in the English language only. The results help in the formation of a different perspective while understanding the overall intellectual landscape of the domain with subsections focusing on field leaders, author's productivity, uprise in domain based on publications and citations, the underlying pattern behind shifts in research areas based on authors keywords and publications that have impacted the domain significantly. The analysis extends beyond academic literature to include patents, providing a real-life state-of-the-art perspective. The results from bibliometrics have been used to select models for comparative analysis. The analysis assesses the performance of diverse time series prediction methods like deep learning algorithms (Long short-term memory model (LSTM)), traditional statistical models (Auto Regressive Integrated Moving Approach (ARIMA)), and advanced ensemble learning algorithms (XGBoost and FB-Prophet) using real-world data from the Indian financial market. The stock prices of Reliance Company serve as a case study, enabling a thorough evaluation of predictive accuracy and errors of the models. Simultaneously, a pre-processing approach has been proposed and implemented, integrating significant economic factors (Gold Price, USD to INR conversion, Consumer Price Index, Indian 10-year yield bond, and Wholesale Price Index) and evaluated with technical metrics (Mean squared error, Mean Absolute Error, R2 Score). The study investigates how the inclusion of these factors impacts prediction accuracy across the selected time series prediction methods. The comparative evaluation of models before and after the pre-processing method sheds light on the evolving predictive accuracy of LSTM, ARIMA, FB-Prophet, and XGBoost. This analysis provides valuable insights into the influence of economic factors on each method's performance. The study showed that the SARIMAX (extension of ARIMA with seasonality and exogenous factors) and XGBOOST performed relatively well with the proposed approach while LSTM with 80% training and FB prophet did not perform as expected in Indian financial markets. This research contributes to advancing the understanding of time series forecasting in the financial market of India, offering practical insights for decision-makers and researchers.Analýza a predikce finančních trhů jsou tématem, které obchodníky a investory zajímá již po desetiletí. Tato práce představuje komplexní studii o předpovídání časových řad na dynamickém finančním trhu v Indii s využitím desetiletých historických dat z cen akcií společnosti Reliance. Výzkum zahrnuje tři klíčové složky: bibliometrickou analýzu pro danou oblast v celosvětovém měřítku, srovnávací hodnocení metod předpovídání časových řad na indických trzích a implementaci přístupu předběžného zpracování zahrnujícího ekonomické faktory na vybrané modely. Každá část vychází ze shromážděných informací v předchozí části. Bibliometrická analýza byla použita ke zjištění převažujících trendů v technikách předpovídání časových řad a k zodpovězení relevantních otázek v kontextu indických trhů s cílem zúžit rozsah studie. To bylo provedeno analýzou 2202 dokumentů z období 1994–2023 sestávajících z článků, kapitol v knihách, recenzí, knih, poznámek a dopisů pouze v anglickém jazyce. Výsledky pomáhají utvářet jinou perspektivu a zároveň porozumět celkovému intelektuálnímu prostředí domény s podsekcemi zaměřenými na vůdčí osobnosti v oboru, produktivitu autorů, vzestup v doméně na základě publikací a citací, což je základní vzorec posunů v oblastech výzkumu na základě klíčových slov autorů a publikace, které doménu významně ovlivnily. Analýza přesahuje rámec akademické literatury a zahrnuje i patenty, čímž poskytuje pohled na skutečný stav techniky. Výsledky z bibliometrie byly použity k výběru modelů pro srovnávací analýzu. Analýza hodnotí výkonnost různorodých metod predikce časových řad, jako jsou algoritmy hlubokého učení (model s dlouhou krátkodobou pamětí (LSTM)), tradiční statistické modely (Auto Regressive Integrated Moving Approach (ARIMA)) a pokročilé algoritmy skupinového učení (XGBoost a FB-Prophet), s využitím reálných dat z indického finančního trhu. Jako případová studie slouží ceny akcií společnosti Reliance, což umožňuje důkladné vyhodnocení přesnosti předpovědí a chyb modelů. Současně byl navržen a implementován přístup předběžného zpracování, který integruje významné ekonomické faktory (cena zlata, přepočet USD na INR, index spotřebitelských cen, výnosy indických desetiletých dluhopisů a index velkoobchodních cen) a vyhodnocuje se pomocí technických ukazatelů (střední kvadratická chyba, střední absolutní chyba, R2 skóre). Studie zkoumá, jak zahrnutí těchto faktorů ovlivňuje přesnost předpovědi u vybraných metod předpovědi časových řad. Srovnávací hodnocení modelů před a po metodě předběžného zpracování vrhá světlo na vyvíjející se přesnost predikce LSTM, ARIMA, FB-Prophet a XGBoost. Tato analýza poskytuje cenné poznatky o vlivu ekonomických faktorů na výkonnost jednotlivých metod. Studie ukázala, že SARIMAX (rozšíření ARIMA o sezónnost a exogenní faktory) a XGBOOST si s navrženým přístupem vedly relativně dobře, zatímco LSTM s 80 % tréninkem a FB-Prophet si na indických finančních trzích nevedly podle očekávání. Tento výzkum přispívá k prohloubení znalostí o předpovídání časových řad na indickém finančním trhu a nabízí praktické poznatky pro osoby s rozhodovací pravomocí a výzkumné pracovníky.
Keywords:
artificial intelligence; bibliometrics; bibliometrie; FBProphet; financial markets; finanční trhy; India; Indie; LSTM; předpověď cen akcií; SARIMAX; stock price prediction; time series; umělá inteligence; XGBoost; časové řady
guest ::
