|
|
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.
|
|
|
Time-Series Analysis and Prediction by Means of Neural Networks
Kňažovič, Martin ; Jaroš, Jiří (oponent) ; Bidlo, Michal (vedoucí práce)
This thesis deals with stock price prediction based on the creation of prediction models for selected stocks (BRK-A, GOOG, and MSFT), which can help investors in the creation of their financial decisions or by replacing other stock prediction models in existing prediction systems. Models created in this thesis are presented in two types - univariate model and multivariate model, which are in their final version presented in two architectures, one-layer architecture and two-layer architecture. Discussed models are created by means of neural networks, specifically recurrent neural networks with its extension - Long short-term memory. The output of the presented models is a forecast of the next-day stock price, which can be used for evaluating the right time to buy or sell a given stock. The quality of individual prediction models is evaluated via the mean squared error of the validation or testing dataset or alternatively based on stock price trend prediction.
|
host ::
RSS.