|
|
Time Series Forecasting Using Machine Learning
Elrefaei, Islam ; Galáž, Zoltán (oponent) ; Hošek, Jiří (vedoucí práce)
The aim of this thesis is to explore the application of various artificial intelligence (AI) techniques for the prediction of time series data, which is prevalent in fields such as finance, economics, and engineering. Accurate time series prediction is essential for effective decision-making and planning. This thesis reviews several traditional and state-of-the-art AI techniques used for time series prediction, including linear regression, ARIMA, support vector regression, random forests, and deep learning. These techniques are applied to different time series datasets, encompassing both univariate and multivariate data. The performance of the predictive models is evaluated using various scalar metrics. The performance of the models was different depending on the type of the dataset. Additionally, this thesis includes the development of a user interface application that allows users to change parameters and forecast new results based on their entries. Furthermore, the thesis discusses the challenges and limitations of using AI techniques for time series prediction and provides suggestions for future research directions.
|
|
|
Essays on Data-driven, Non-parametric Modelling of Time-series
Hanus, Luboš ; Vácha, Lukáš (vedoucí práce) ; Witzany, Jiří (oponent) ; Ellington, Michael (oponent) ; Trimborn, Simon (oponent)
Tato dizertační práce se skládá ze čtyř článků přispívající k literatuře o datově řízeném a neparametrickém modelování časových řad. V prvním příspěvku studujeme synchronizaci hospodářských cyklů a navrhujeme vícerozměr- nou míru sladěnosti založenou na časové frekvenční kohezi. Naznačujeme, že ekonomická integrace může vést k vyšší sladěnosti hospodářských cyklů, což může odrážet výhody konvergence a koordinace hospodářských poli- tik. Druhý článek představuje novou metodiku pro identifikaci perzistence makroekonomických proměnných. Pomocí časově proměnných funkcí frek- venční odezvy identifikujeme heterogenní efekty perzistence v makroekono- mických proměnných USA. Třetí a čtvrtý článek navrhují metody založené na datech pro předpovídání distribucí časových řad s využitím strojového učení. Zavádíme vícevýstupovou neuronovou síť, která pro data vybírá nej- vhodnější rozdělení. Distribuční neuronová síť je přínosná pro modelování dat s nelineární, negaussovskou a asymetrickou strukturou. Třetí článek de- monstruje užitečnost této metody k odhadu informačně bohatých makroeko- nomických vějířových grafů a pravděpodobnostních předpovědí výnosů ak- cií. V posledním článku představujeme distribuční neuronovou síť k získání pravděpodobnostního rozdělení předpovědí cen elektřiny. Předpovídáme hodinové ceny...
|
|
|
Knowledge Discovery from Time Series
Krutý, Peter ; Burget, Radek (oponent) ; Bartík, Vladimír (vedoucí práce)
This thesis is focused on the field of knowledge discovery from data, specifically from time series. Main objective is to research Python programming language support in this area and then design and implement an application that will allow to demonstrate and compare selected methods. Methods are demonstrated in experiments using appropriate data set. The output of the thesis is a comparison of methods for specific tasks and the application implementing selected methods.
|
|
| |
|
| |
|
|
Analyze and economic time series forecasting by using selected statistical methods
Skopal, Martin ; Charvát, Pavel (oponent) ; Mauder, Tomáš (vedoucí práce)
In this thesis we aim to construct a fully automatic forecasting algorithm, which is trying to utilize a combining procedure on two levels between two families of forecasting models, Box-Jenkins and Exponential smoothing state space models, that is able to deal with homoscedastic and heteroscedastic time series. For this we devise a selection procedure in the MATLAB environment for ARIMA models. The resulting combined model is then applied several financial time series and its performance is discussed.
|
|
|
Analýza vybrané firmy pomocí statistických metod
Poláček, Lukáš ; Veverková, Jana (oponent) ; Doubravský, Karel (vedoucí práce)
Diplomová práce pojednává o problematice souhrnného hodnocení současné ekonomické situace ve vybrané akciové společnosti, především zapomocí statistických metod. Cílem bude analyzování dat, jejich jednotlivá porovnání, vyvození závěrů a návrhů na zlepšení. Ze znalostí historických dat a prognózy předpokladů pro budoucnost získá firma konkrétnější představu o svém vývoji a dalším směřování.
|
|
|
Uplatnění statistických metod při zpracování dat
Zbranková, Kateřina ; Zeman, Karel (oponent) ; Novotná, Veronika (vedoucí práce)
Diplomová práce se zabývá zhodnocením ekonomické situace podniku ZLKL, s. r. o. za pomoci statistických metod. Práce primárně vychází z finančních výkazů podniku, které jsou podrobeny finanční analýze. Na základě výsledků této analýzy je poté provedena statistická analýza vybraných ukazatelů. Ta se snaží pomocí statistických metod analyzovat vývoj jednotlivých ukazatelů, jejich trend a predikovat budoucí vývoj. V poslední části se nachází zhodnocení jednotlivých ukazatelů a formulování návrhů a doporučení, jejichž implementací by podnik měl dosáhnout větší finanční stability a dlouhodobě vyrovnaného hospodaření.
|
|
| |
|
| |
host ::
RSS.