|
|
Vytvoření predikčního modelu předpovědi počasí pomocí neuronové sítě a asociačních pravidel
Kadlec, Jakub ; Rauch, Jan (vedoucí práce) ; Berka, Petr (oponent)
Tato diplomová práce představuje tři různé způsoby výběru vhodných prediktorů pro konstrukci binárního klasifikátoru za účelem automatizované předpovědi počasí s využitím asociačních pravidel a kontingenční analýzy v systém LISp-Miner. První část práce se skládá ze sbírky teoretických znalostí, které přímo souvisí s vytvořením prediktivního modelu, zatímco druhá část popisuje tvorbu modelu jako takového pomocí metodiky CRISP-DM. Závěrečná část práce je věnována analýze výkonu vytvořených neuronových sítí a porovnání jednotlivých metod.
|
|
|
Modelování a predikce volatility finančních časových řad směnných kurzů
Žižka, David ; Arltová, Markéta (vedoucí práce) ; Malá, Ivana (oponent) ; Vošvrda, Miloslav (oponent)
Disertační práce se zaměřuje na modelování a prognózování podmíněného rozptylu časových řad směnných kurzů. Základním využitým přístupem pro modelování podmíněného rozptylu jsou modely třídy (G)ARCH a jejich variace. Modelování podmíněné střední hodnoty je založeno na využití autoregresních modelů AR. Z důvodu nesplnění jednoho ze základních předpokladů těchto modelů (předpoklad normality) je důležitou součástí práce i podrobná analýza nepodmíněných rozdělení logaritmů výnosů, která dále umožňuje zvolit vhodný předpoklad o rozdělení nesystematické složky modelů podmíněného rozptylu založených na (G)ARCH modelech. Využitím předpokladu leptokurtických rozdělení vede k významnému zlepšení předpovědí volatility ve srovnání s normálním rozdělením. V této souvislosti jsou často využívána GED a Studentovo t rozdělení, která jsou i základními stavebními kameny této práce. Navíc jsou v práci aplikována i méně známá rozdělení; Johnsonovo SU a normální inverzní Gaussovo rozdělení. Pro modelování podmíněného rozptylu je testováno velké množství lineárních i nelineárních modelů. Lineární modely zastupují modely ARCH, GARCH, GARCH in mean, integrovaný GARCH, frakcionálně integrovaný GARCH a HYGARCH. V případě přítomnosti asymetrického vlivu kladných a záporných výnosů na podmíněný rozptyl jsou aplikovány nelineární modely EGARCH, GJR-GARCH, APARCH a FIEGARCH. S využitím vhodných modelů, podle zvolených kritérií, jsou provedeny bodové předpovědi podmíněného rozptylu s různými dlouhodobými a krátkodobými předpovědními horizonty. Výstupy tradičních parametrických modelů volatility (G)ARCH jsou porovnány se semi-parametrickými přístupy založenými na neuronových sítích, které našly široké uplatnění nejen v klasifikačních úlohách, ale i v úlohách predikce časových řad. Závěr práce tvoří popis shodných a rozdílných vlastností zkoumaných časových řad směnných kurzů. Dále shrnutí modelů, které dokáží nejlépe popsat a předpovědět chování podmíněného rozptylu vybraných časových řad směnných kurzů. Tyto modely lze dále využít k měření míry tržního rizika investic metodou Value at Risk nebo najdou široké uplatnění při odhadech budoucích cen, kde je při konstrukcích předpovědních intervalů nezbytná znalost budoucího podmíněného rozptylu.
|
|
|
Využití metod data miningu při analýze kreditních dat
Tvaroh, Tomáš ; Witzany, Jiří (vedoucí práce) ; Matejašák, Milan (oponent)
Tato práce se zabývá porovnáním vybraných metod data miningu pro řešení klasifikačních úloh s metodou klasifikace pomocí logistické regrese. V první části práce je krátce představen data mining jako vědní disciplína a úloha klasifikace je uvedena do kontextu procesu vytěžování dat. V další části je vysvětlen princip fungování jednotlivých metod, mezi které byli, společně s logistickou regresí, vybrány umělé neuronové sítě, klasifikační rozhodovací stromy a metoda SVM. Společně s matematickou podstatou algoritmů je vždy uveden i způsob, jakým u hotového modelu probíhá klasifikace nových příkladů. V praktické části diplomové práce jsou popsané metody otestovány na reálných datech společnosti Lending Club a jsou srovnány z hlediska přesnosti klasifikace. Na závěr je zhodnoceno, zda je výsadní postavení logistické regrese dané historicky nebo zda si ho metoda skutečně zaslouží díky vysoké klasifikační síle v porovnání s ostatními metodami.
|
|
|
Souvislost volatility akciových kurzů a pozice ekonomiky v hospodářském cyklu
Poláková, Soňa ; Veselá, Jitka (vedoucí práce) ; Krabec, Tomáš (oponent) ; Onder, Štěpán (oponent)
Cílem této disertační práce bylo prokázání nebo vyvrácení hypotézy o existenci vztahů mezi akciovými trhy zasaženými všudypřítomnou volatilitou a reálnou ekonomikou USA, Německa, Velké Británie a Japonska. Analytickým nástrojem, který byl pro tuto práci využit, byl model založený na aplikaci umělých neuronových sítí. Analýzou dílčích vztahů v období od počátku r. 2000 do října r. 2014 byla prokázána existence silného jednosměrného vztahu mezi akciovými trhy (zastoupenými hlavními akciovými indexy) a příslušnou reálnou ekonomikou. Tyto vztahy byly nejkvalitněji prokázány na americkém a britském trhu. Akciový index S&P 500, FTSE a indikátor VIX dokázaly pomoci správně predikovat budoucí vývoj reálné ekonomiky USA a Velké Británie na následujících šest až devět měsíců, a to s úspěšností 71% až 86%. Umělé neuronové sítě prokázaly schopnost predikcí vybraných finančních časových řad s nadprůměrnou kvalitou, a to jak v období konjunktury, tak v období recese, které byly v obou případech ve sledovaném období zastoupeny.
|
|
|
Možnosti počítačové detekce defraudací a anomálií v účetních datech
Spitz, Igor ; Mejzlík, Ladislav (vedoucí práce) ; Pelák, Jiří (oponent)
Práce analyzuje možné způsoby manipulace účetního systému za účelem defraudace. Dále hledá techniky, které by byly schopné tyto manipulace odhalit, a zároveň ověřuje efektivnost již využívaných postupů. Teoretická část zkoumá postupy finanční analýzy, statistické testy, benfordovy testy, fuzzy matching a technologie strojového učení. Praktická část ověřuje postupy finanční analýzy, benfordovy testy, algoritmy pro fuzzy matching a neuronové sítě.
|
|
|
Návrh a implementace Data Mining modelu v technologii MS SQL Server
Peroutka, Lukáš ; Maryška, Miloš (vedoucí práce) ; Smutný, Zdeněk (oponent)
Tato práce se zabývá návrhem a implementací data miningové úlohy s reálnými daty. Úloha bude analyzována, zpracována a její dosažené výsledky vyhodnoceny. Zdrojovým datovým souborem je databáze obsahující studijní záznamy Vysoké ško-le ekonomické v Praze. V první teoretické části se práce zaměřuje na dolování z dat, definici pojmu, histo-rický vývoj data miningu, analýzu a popis jednotlivých částí dolovací úlohy a sou-časnou metodologii. Představeny jsou nejznámější používané dolovací techniky a standardy, včetně jejich vlastností, výhod a nevýhod při praktickém nasazení. Ana-lyzována jsou také vstupní data, zejména z pohledu kvality a operací ve fázi před-zpracování dat pro dolovací úlohu. Následně je přistoupeno k aplikaci teoretických znalostí na reálnou úlohu data mi-ningu. Zdrojový soubor se školními daty je popsán, analyzován a vhodné atributy jsou vybrány jako základ pro tvorbu dolovacích modelů. Ty jsou poté na platformě MS SQL Server vytvořeny s cílem najít, prozkoumat a popsat možné závislosti a asociace v datech. Dílčí výsledky jednotlivých modelů a jejich potenciální přínos jsou zhodnoceny, a to včetně návrhu možných vylepšení a dalšího budoucího využití výsledků.
|
|
|
Rozpoznávání znaků z realných scén pomocí neuronových sítí
Fiala, Petr ; Neumann, Lukáš (vedoucí práce) ; Berka, Petr (oponent)
Tato práce se zabývá úlohou rozpoznávání znaků z reálných scén, které je věnována značná pozornost s rozvojem moderních technologií. Cílem studie je k rozpoznávání použít algoritmus, který dosahuje aktuálně nejlepších výsledků na standardních datových sadách. Vybraným modelem je konvoluční síť s deep architekturou, jejíž aplikace na zadanou úlohu nebyla dosud publikována. Implementované řešení navazuje na teoretickou část, která poskytuje ucelený přehled dané problematiky. V praktické části se vyskytují dva typy neuronových sítí: vícevrstvý perceptron a zmíněný model. Z porovnání výsledků těchto dvou typů architektur na první datové sadě vychází výrazně lépe použití komplexní struktury konvoluční sítě. Tento model byl dále ověřen na dvou veřejných datových sadách, které korespondují se zadáním úlohy. Zároveň bylo vyzkoušeno několik modifikací sítě a použití různých úprav vstupních dat s cílem získat optimální řešení v závislosti na struktuře dat. Prezentované řešení dokázalo poskytnout srovnatelnou úspěšnost predikce v porovnání s nejlepšími dosaženými výsledky, při použití syntetických učících vzorů a ověřilo možnost využití této architektury pro danou úlohu. V závěru studie jsou zmíněny možné rozšíření a vylepšení modelu, která by mohla vést k dalšímu snížení klasifikační chyby.
|
|
|
Neuronové sítě v R
Arzumanov, Eduard ; Bašta, Milan (vedoucí práce) ; Žižka, David (oponent)
Cílem této práce bylo představit problematiku neuronových sítí, která i přesto, že existuje a aplikuje se ve statistice už řadu let, pro značnou část veřejnosti a dokonce akademického prostředí z oblasti statistiky zůstává minimálně prozkoumanou. Cílem praktické části bylo ověřit prostřednictvím praktické aplikace, zda neuronové sítě jsou opravdu lepším nástrojem pro statistickou analýzu než doposud běžně používané nástroje, zvláště v případě potřeby zkoumat komplexnější jevy a vztahy mezi nimi. Dalším cílem praktické části bylo za pomoci modelů neuronových sítí zkoumat a popsat vztahy mezi vývojem objemů obchodů akcií společnosti Apple a akciemi konkurenčních společností jako Google, HTC, Nokia, Samsung. Dosažení cílů práce bylo prováděno prostřednictvím poměrně rozsáhlého popisu teorie neuronových sítí, rovněž jako popisu teoretických pomůcek vhodných pro předcházení častým úskalím při praktické implementaci. Tato praktické aplikace byla prováděna v softwaru R, který se v poslední době významně rozšířil díky své dostupnosti a také velké míře flexibility, kterou uživateli poskytuje. Přínosem této práce je seznámení a utvoření uceleného přehledu o problematice neuronových sítí a poskytnutí důkazu, že v některých případech modely neuronových sítí jsou skutečně výrazně lepším nástrojem analýzy v porovnání s běžně používanými nástroji (modely typu ARMA, lineární regrese). Autor během zpracování práce získal velké množství poznatků o problematice neuronových sítí, naučil se s nimi pracovat v prostředí R, čímž posunul svoje schopnosti práce s tímto softwarem o poznání výš.
|
|
|
Application of the Artificial Intelligence in the Real Estate Valuation
Štechová, Edita ; Witzany, Jiří (vedoucí práce) ; Fičura, Milan (oponent)
Cílem této práce je vytvořit modely s prvky Umělé Inteligence, na základě kterých bude možné odhadnout ceny rezidenčních nemovitostí v Praze. V první části této práce jsou popsány základní principy modelů na bázi Artificial Neural Networks a Fuzzy Inference Systems a jejich aplikace při oceňování nemovitostí. Druhá část je zaměřena na samotné sestavení modelů a testování jejich vypovídací schopnosti při aplikaci na tržní data. Ve třetí části práce je přesnost modelů porovnána s přesností modelů na bázi vícerozměrné lineární regrese. Mezi hlavní závěry této práce patří: (1) Modely na bázi Artificial Neural Networks a Fuzzy Inference Systems jsou charakteristické vyšší mírou přesnosti odhadu než tradiční lineární metody zastoupené vícerozměrnou lineární regresí; (2) Artificial Neural Networks a Fuzzy Inference Systems představují efektivní přístup k modelování a analyzování cen nemovitostí v Praze.
|
|
|
Možnosti předpovědi finanční krize
Salvetová, Veronika
Text se zabývá možnostmi předpovědí finanční krize. Na základě empirické analýzy jednorozměrných časových řad je posuzována schopnost vybraného predikčního nástroje anticipovat strukturální zlom související se vznikem svě-tové finanční krize mezi lety 2007-2008 v programu Statistica 12. Kvalita predikcí modelu je hodnocena na základě vybraných statistických kritérií. Výsledky dokládají, že současné predikční výpočetní metody nejsou příliš dobrým nástrojem pro předpovídání krizí a tvoří základ pro diskusi. Na základě těchto poznatků jsou navrhovány další možnosti pro zpřesnění predikčních nástrojů a pro lepší předcházení krizím.
|
host ::
RSS.