|
|
The use of artificial intelligence methods for time series prediction
Tripathi, Ankit
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.
|
host ::
RSS.