Original title: Autoregresní modelování finančních časových řad
Translated title: Autoregressive Modeling of Financial Time Series
Authors: Klobáska, Miroslav ; Černocký, Jan (referee) ; Burget, Lukáš (advisor)
Document type: Master’s theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Předmětem této práce je výzkum kvantitativní struktury finančního trhu na časových škálách analyzovaných v rámci Medium Frequency Tradingu (MFT). Práce se zabývá základními otázkami, například jak se finanční data chovají, do jaké míry lze budoucí chování trhu predikovat z minulých pozorování a zda v historických OHLC sekvencích existuje smysluplný predikční signál. K zodpovězení těchto otázek navrhujeme pravděpodobnostní autoregresní modely finančních dat, které integrují principy teorie informace s moderními technikami strojového učení. Hlavním cílem práce není nalézt optimální architekturu ani maximalizovat prediktivní výkon, ale spíše izolovat a kvantifikovat informační přínos historických dat pro predikci. Zaměřujeme se výhradně na modelování úplných prediktivních rozdělení na základě pozorovatelných OHLC dat, přičemž záměrně neuvažujeme obchodní strategie ani externí podmiňující proměnné, abychom získali modelově nezávislý a statisticky podložený evaluační framework. Tato práce poskytuje základ pro další výzkum zaměřený na porozumění a kvantifikaci predikčního signálu na finančních trzích. The goal of this thesis is to investigate the quantitative structure of a financial market on the timeframes analyzed in Medium Frequency Trading (MFT). It addresses fundamental questions, such as how financial data behave, to what extent future market behavior can be predicted from past observations, and whether meaningful predictive signal exists in historical OHLC sequences. To explore these questions, we develop probabilistic autoregressive models for financial data that integrate information-theoretic principles with modern machine learning techniques. The primary objective is not to identify the optimal prediction architecture or maximize predictive performance, but rather to isolate and quantify the contribution of historical information to prediction. We focus exclusively on modeling full predictive distributions using observable OHLC data, deliberately excluding trading strategies and external conditioning variables in order to obtain a model-independent and statistically grounded evaluation framework. This work provides a foundation for further research in understanding and quantifying predictive signal in financial markets.
Keywords: Autoregresní generativní modely; Finanční časové řady; Informačně-teoretická evaluace; Neuronové sítě; Pravděpodobnostní modelování; Strojové učení; Autoregressive generative models; Financial time series; Information-theoretic evaluation; Machine learning; Neural networks; Probabilistic modeling

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/260175

Permalink: http://www.nusl.cz/ntk/nusl-777278


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses