|
Impact of European Central Bank and Federal Reserve System statements on cryptocurrency markets via sentiment analysis
Krejcar, Vilém ; Krištoufek, Ladislav (vedoucí práce) ; Čech, František (oponent)
Tato studie zkoumá dopad ve ejn˝ch prohláöení hlavních centrálních bank, konkrétn FED a ECB, na volatilitu Bitcoinu v letech 2018 aû 2021. S vyuûitím vysokofrekven ních dat jsme vypo ítali volatilitu Bitcoinu a extrahovali senti- mentové skóre z ve ejn˝ch prohláöení centrálních bank pomocí dvou metod: jazykového modelu FinBERT a state-of-the-art modelu generativní um lé in- teligence GPT-4 s p izp soben˝mi prompty. Model GPT-4 se prokázal jako preferovaná varianta díky efektivn jöímu zachycení sentimentov˝ch nuancí. Naöe anal˝za zahrnovala porovnání r zn˝ch model pro finan ní data, p i emû HAR model vykazoval nejlepöí v˝sledky. Záv ry studie jsou následující: negativní sentiment ECB b hem pandemie byl spojen s okamûit˝m a v˝razn˝m nár stem volatility Bitcoinu, nazna ující reakci trhu v podob opatrnosti. Tato zjiöt ní poukazují na v˝znamn˝ vliv sentimentu centrálních bank na volatilitu Bitcoinu a potvrzují p vodní hypotézu tohoto v˝zkumu. V˝sledky navíc poskytují mo- tivaci k za len ní generativní um lé inteligence do akademického v˝zkumu jako nástroj pro zkoumání dosud neobjeven˝ch znalostí a vzorc . Klasifikace JEL C32, C55, C58, E58, G15 Klí ová slova centrální banky, sentimentová anal˝za, volatilita, Bitcoin, GenAI, HAR, FED, ECB Název práce Vliv prohláöení ECB a FED na trh kryp- toaktiv skrze...
|
|
Rozhovory 2.0 - Využití AI pro orální historiky
Haubert, Marek ; Hlaváček, Jiří (vedoucí práce) ; Wohlmuth Markupová, Jana (oponent)
Tato diplomová práce se zabývá propojením orální historie s moderními informačními technologiemi (IT), a především umělou inteligencí (AI). Cílem je prozkoumat, jak mohou tyto technologie obohatit praxi orálních historiků a zefektivnit zpracování orálně-historických rozhovorů. Práce na praktických ukázkách demonstruje možnosti integrace AI a IT služeb ve všech fázích orálně-historického výzkumu, tedy od přípravy na rozhovor přes jeho realizaci a následnou transkripci, analýzu, interpretaci až po jeho zabezpečení, archivaci a publikaci veřejnosti. V diplomové práci je kladen důraz na praktické ukázky použití jednotlivých technologií a na rešerši dostupných služeb a nástrojů, které mohou usnadnit nahrávání rozhovorů, jejich přepis, analýzu sentimentu či vytváření metadat.
|
|
Analýza obsahu sociálních sítí týkající se českých mobilních operátorů
Pavlů, Jan ; Otrusina, Lubomír (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá analýzou postojů u příspěvků ze sociálních sítí týkajících se českých mobilních operátorů. Kromě analýzy postojů se zaměřuje na vizualizací stažených a analyzovaných dat. Analýza postojů je provedena za pomocí strojového učení s učitelem. Po stažení jsou příspěvky očištěny, lemmatizovány a převedeny na vektor příznaků. Pro klasifikaci se využívá Stochastic Gradient Descent. Analyzovaná data jsou zobrazena jak ve formě diagramů, tak ve tvaru seznamu příspěvků. Systém poskytuje i automatické přiřazení kategorií příspěvkům pomocí stejného principu. Při přiřazení postojů systém dosahuje úspěšnosti okolo 75%. Při přiřazení kategorií je sice vysoká přesnost (kolem 80%), ale nízká preciznost, navrátovost a F1 score(20% - 30%). Proto se automaticky neprovádí. Přínosem systému je, dokáže automaticky sbírat data z různých zdrojů, ta analyzovat a přehledně zobrazit. Také poskytuje prostředky, jak manuálně měnit přířazené hodnocení/kategori, což při občasném zásahu uživatele povede k postupnému zlepšování charakteristik systému.
|
|
Analýza sentimentu s využitím dolování dat
Sychra, Martin ; Burget, Radek (oponent) ; Bartík, Vladimír (vedoucí práce)
Obsahem práce je analýza sentimentu, především z informatického hlediska (okrajově z hlediska lingvistického). V lingvistické části je rozebrán pojem sentiment a jazykové metody pro jeho analýzu, např. lemmatizace, POS tagging, využití seznamu stopwords apod. Větší pozornost je následně věnována struktuře analyzátoru sentimentu, který je založen na některé z metod strojového učení (metoda podpůrných vektorů, naivní Bayesův klasifikátor a klasifikátor maximální entropie). Na základě teoretických východisek je navržen a implementován funkční analyzátor. Experimenty jsou zaměřeny především na porovnání klasifikačních metod a přínos využití jednotlivých metod předzpracování. Úspěšnost sestrojeného klasifikátoru dosahuje až 84 % v křížové validaci.
|
| |
|
Analýza postojů českých uživatelů k obchodním řetězcům na základě dat ze sociálních sítí a webových diskusí
Bolješik, Michal ; Otrusina, Lubomír (oponent) ; Smrž, Pavel (vedoucí práce)
Cieľom tejto práce je navrhnúť a vytvoriť systém analyzujúci dáta z webu, ktoré sa týkajú českých potravinových obchodných reťazcov. Implementovaný systém umožňuje automatické sťahovanie takýchto dát, analýzu ich sentimentu, prípadnú extrakciu lokalít a názvov reťazcov z dát a následné indexovanie dát. Súčasťou systému je aj webové rozhranie zobrazujúce výsledky vykonaných analýz. Prvá časť práce sa venuje rozboru extrakcie dát z webu, analýze sentimentu a indexovaniu dokumentov. Nasleduje popis návrhu systému a popis jeho implementácie. Posledná časť práce obsahuje vyhodnotenie implementovaného systému.
|
|
Analýza postojů k počítačovým hrám
Balajka, Pavel ; Otrusina, Lubomír (oponent) ; Smrž, Pavel (vedoucí práce)
Práce se zabývá analýzou postojů vyjadřovaných v příspěvcích uživatelů na sociálních sítích. Popisuje obecný systém, který byl pro uvedené účely vytvořen a specializován na oblast strategických počítačových her. Hlavní důraz je kladen na problémy získávání a analýzy dat ze sociálních sítí a zobrazení získaných výsledků uživateli. Jsou zmíněny jednotlivé etapy zpracování textu jako např. tokenizace a filtrace nepotřebných slov, za účelem efektivnější analýzy názorů a rozebírány metody strojového učení jako např. Decision Trees a Naive Bayes, a jejich použití. Dále je popsán návrh uvedeného systému a jeho následná implementace s vybranými částmi a metodami. Nakonec je provedeno srovnání výsledků testů analyzátoru provedených za různých podmínek.
|
|
Expertní systém pro rozhodování na akciových trzích s využitím sentimentu investorů
Janková, Zuzana ; Lenort, Radim (oponent) ; Zinecker, Marek (oponent) ; Chramcov, Bronislav (oponent) ; Dostál, Petr (vedoucí práce)
Předložená disertační práce zkoumá potenciál využití skóre sentimentu extrahovaného z textových dat společně s historickými daty o akciovém indexu ke zlepšení výkonnosti predikce na akciovém trhu prostřednictvím vytvořeného modelu expertního systému. Vzhledem k tomu, že velké množství textových dokumentů souvisejících s financemi, které zveřejňují jak profesionální, tak amatérští investoři, nejen na online sociálních sítích, by mohly mít dopad na vývoj akciových trhů, je zásadním úkolem analyzovat finanční texty zveřejněné různými uživateli a zejména z nich extrahovat sentiment. V této práci je sentiment investorů získán z online finančních zpráv a příspěvků zveřejněných na finanční sociální platformě StockTwits. Skóre sentimentu je stanoveno pomocí hybridního přístupu kombinující modely strojového učení s učitelem a neuronových sítí, přičemž ke klasifikaci polarity sentimentu je využito vícero lexikonů pozitivních a negativních slov. Je analyzován vliv skóre sentimentu na akciový trh prostřednictvím kauzality, kointegrace a koherence. V disertační práci je navržen model expertního systému založený na metodách fuzzy logiky. Fuzzy logika poskytuje pozoruhodné vlastnosti při práci s vágními, nepřesnými či nejasnými údaji a je schopna se lépe vypořádat s chaotickým prostředím na akciových trzích. V nedávných vědeckých studiích na popularitě získává vyšší úroveň fuzzy logiky, která je označována jako type-2 fuzzy logika. Oproti klasické type-1 fuzzy logice, je tento vyšší typ schopen mezi zdvojené funkce členství integrovat určitou úroveň nejistoty. Tento typ expertního systému je ovšem v předmětné problematice predikce akciového trhu s využitím extrahovaného sentimentu investorů značně opomíjen. Z toho důvodu je v disertační práci zkoumán potenciál využít a výkonnost type-2 fuzzy logiky. Konkrétně je vytvořeno několik type-2 fuzzy modelů, které jsou trénovány na historických datech akciového indexu a skóre sentimentu investorů za období 2018-2020. Vytvořené modely jsou posouzeny k měření výkonu predikce bez sentimentu i s integrací sentimentu investorů. Následně je na základě vytvořeného expertního modelu stanovena investiční strategie a sledována jeho ziskovost. Výkonnost predikce fuzzy modelů je komparována s výkonností několika srovnávacích modelů, včetně SVM, k-NN, naivního Bayes a dalších. Z experimentů vyplynulo, že modely fuzzy logiky jsou schopny vhodným nastavením funkcí členství a nejistoty v nich obsažených vylepšit predikci a jsou schopny konkurovat klasickým modelům predikce, které jsou standardně využívané ve výzkumných studiích. Vytvořený model by měl také sloužit jako nástroj pro podporu investičního rozhodování individuálním investorům.
|
| |
|
Rozpoznávání postojů z filmových recenzí
Bílý, Daniel ; Jon, Josef (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce je zaměřena na tvorbu systému, který je schopný pravidelně stahovat filmové recenze z webu a následně je analyzovat. Zdrojů recenzí je několik a to českých i anglických (čsfd, fdb, imdb a rotten tomatoes). Analýza sentimentu recenzí je prováděna za pomocí strojového učení. Výsledky analýz jsou zobrazovány ve webovém prohlížeči.
|