|
|
Comparison of LSTM and random forest on forecasting small-cap stocks from different regions
Michalski, Jakub ; Šíla, Jan (vedoucí práce) ; Červinka, Michal (oponent)
Tato práce poukazuje na možnost použití strojového a hlubokého učení pro predikování výnosů indexů akcií s malou kapitalizací. V práci je testována přesnost Random forest a LSTM modelů na indexech akcií z různých regionů, přesněji Russell 2000, FTSE Smallcap, Nifty Smallcap 100, S&P/AXS Small Ordinaries, a B3 Smallcap Index. Cílem této práce je zdůraznit výhody začlenění strojového a hlubokého učení do predikovaní výnosů indexů akcií s malou kapitalizací, a vysvětlit, který z modelů dosahuje lepších výsledků. R2 , které bylo použito jako hlavní metrika, ukazuje, že LSTM funguje lépe než Random forest pro každý z testovaných indexů. Nejlepších výsledků dosáhl index FTSE Smallcap s 61.1% R2 . Práce následně obsahuje možné postupty pro zlepšení výsledků například optimalizace modelů pro každý index zvlášť, nebo přidání více indikátorů, které není tak jednoduché získat, do našeho data-setu. Klasifikace JEL C01, C45, C49, C51, C53 C67 C88 Klíčová slova strojové učení, hluboké učení, LSTM, random forest, předvídání, akcie s malou kapitalizací, indexy akcí s malou kapitalizací, finanční trhy, neuronové sítě Název práce Srovnávání předvídatelnosti metod LSTM a Random Forest na akciích z různých regionů a s malou kapitalizací
|
host ::
RSS.