|
|
Essays on Data-driven, Non-parametric Modelling of Time-series
Hanus, Luboš ; Vácha, Lukáš (vedoucí práce) ; Witzany, Jiří (oponent) ; Ellington, Michael (oponent) ; Trimborn, Simon (oponent)
Tato dizertační práce se skládá ze čtyř článků přispívající k literatuře o datově řízeném a neparametrickém modelování časových řad. V prvním příspěvku studujeme synchronizaci hospodářských cyklů a navrhujeme vícerozměr- nou míru sladěnosti založenou na časové frekvenční kohezi. Naznačujeme, že ekonomická integrace může vést k vyšší sladěnosti hospodářských cyklů, což může odrážet výhody konvergence a koordinace hospodářských poli- tik. Druhý článek představuje novou metodiku pro identifikaci perzistence makroekonomických proměnných. Pomocí časově proměnných funkcí frek- venční odezvy identifikujeme heterogenní efekty perzistence v makroekono- mických proměnných USA. Třetí a čtvrtý článek navrhují metody založené na datech pro předpovídání distribucí časových řad s využitím strojového učení. Zavádíme vícevýstupovou neuronovou síť, která pro data vybírá nej- vhodnější rozdělení. Distribuční neuronová síť je přínosná pro modelování dat s nelineární, negaussovskou a asymetrickou strukturou. Třetí článek de- monstruje užitečnost této metody k odhadu informačně bohatých makroeko- nomických vějířových grafů a pravděpodobnostních předpovědí výnosů ak- cií. V posledním článku představujeme distribuční neuronovou síť k získání pravděpodobnostního rozdělení předpovědí cen elektřiny. Předpovídáme hodinové ceny...
|
|
|
Předpovídání vývoje více časových řad při burzovním obchodování
Palček, Peter ; Zbořil, František (oponent) ; Rozman, Jaroslav (vedoucí práce)
V diplomové práci je uveden všeobecný postup používaný pro předpověď časových řad, jejich rozdělení, základní charakteristiky a základní statistické metody pro jejich předpovídaní. Spomenuty jsou také neuronové sítě a jejich dělení s ohledem na vhodnost k předpovídaní časových řad. Je navrhnut a implementován program pro predikci vývoje více časových řad při burzovním obchodování, kterého základem je model flexibilního neuronového stromu, kterého struktura je optimalizována pomocí imunitního programování a parametry pomocí modifikované verze simulovaného žíhání anebo pomocí optimalizace hejnem částic. Program je nejdříve testován na schopnosti předpovídat jednoduché časové řady a nakonec je testována jeho schopnost předpovídat více časových řad.
|
|
|
Nowcasting as the new potential predicting method for the policy-makers
Chaloupka, David ; Kofroň, Jan (vedoucí práce) ; Parízek, Michal (oponent)
Tato bakalářská práce zkoumá roli nowcastingu jako metodě pro předpovídání v reálném čase pro tvorbu politiky. Studie porovnává informační hodnotu makroekonomického forecastingu během let 2019 až 2022 a potenciál now- castingu jako alternativy. Analýzou vybraných forecastingových a nowcastin- gových indexů bylo zjištěno, že nowcasting v roce 2020, který byl ovlivněn pan- demií COVID-19, vykazuje skvělou úspěšnost. Avšak čelí omezením z hlediska časového horizontu předpovědí a požadavků na vysokofrekvenční data. Ačkoliv během krizí forecasting může ztratit svou informační hodnotu, nowcasting jej nemůže zcela nahradit v dlouhodobé předpovědi. Místo toho se oba přístupy mohou doplňovat a na jejich základě zlepšovat politická rozhodnutí.
|
|
|
Předpovídání vývoje časových řad
Dvořáček, Tomáš ; Rozman, Jaroslav (oponent) ; Hříbek, David (vedoucí práce)
Cílem této práce je navrhnout a implementovat program, který ze zadaného vstupu bude schopen analyzovat a predikovat budoucí vývoj univarietních a multivarietních časových řad. V řešení byly využity statistické přístupy a přístupy kdy se časová řada předpovídá pomocí neuronových sítí.
|
|
|
Forecasting electricity prices in the Czech spot market
Černý, Kryštof ; Lebovič, Michal (vedoucí práce) ; Rečka, Lukáš (oponent)
Tato diplomová práce se zaobývá předpovídáním hodinových a denních cen elektřiny na deregulovaném českém denním trhu s elektřinou. Metody použité pro odhad a předpověď hodinových a denních cen jsou vybrány z rodiny modelů ARIMA-GARCH a neurálních sítí. Dekompozice pomocí stacionární diskrétní vlnkové transformace je použita pro denní ceny v kombinaci s ARIMA modely a neurálními sítěmi. Hodinová data jsou modelována pomocí modelů GARCH a neurálních sítí. Výsledky předpovědí odhalují, že v případě denních cen, jednodušší modely, jako ARIMA předčí ostatní metody. Vlnková dekompozice nezlepšila přesnost předpovědí. V případě hodinových cen architektura neurální sítě Multilayer Perceptron dává lepší předpovědi než předpověd uskutečněná metodou ARIMA. Klasifikace JEL C20, C22, C45, C53, C65 Klíčová slova předpovídání, časové řady, ARIMA, GARCH, neurální sítě, vlnková transformace E-mail autora krystof.cerny@gmail.com E-mail vedoucího práce lebovicm@gmail.com 1
|
|
|
Electricity market: Analysis and prediction of volatility
Kunc, Vladimír ; Krištoufek, Ladislav (vedoucí práce) ; Hájek, Jan (oponent)
Trh s elektřinou: Analýza a predikce volatility Abstrakt Vladimír Kunc July 30, 2015 Poslední dvě dekády jsou charakterizovány restrukturováním energetického prů- myslu a vznikem nových, soutěživých energetických trhů, kde přesné předpovědi cen elektřiny a cenové volatility je cenná jak pro spotřebitele, tak pro výrobce. Cí- lem této práce ja popsat a porovnat několik modelů pro predikci cenové volatility na českém denním trhu s elektřinou na datech poskytnutých společností OTE a.s. za roky 2009 - 2014. Tato práce srovnává 144 rozdílných konfiguracích pro tři různé třídy modelu - autoregresivní modely, modely typu GARCH a modely založené na umělých neuronových sítích. Tato práce provádí srovnání modelů pomocí pěti různých kritérií, z nichž každe popisuje model z jiného pohledu. Klíčová slova: predikce ceny, predikce volatility, GARCH, neuronové sítě, LSTM 1
|
|
|
Deep Neural Networks for Time Series Forecasting
Kayabasi, Yigit Mertol ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
Předpovı́dánı́ časových řad je úloha, která má jak akademické tak prak- tické využitı́. Přestože byla po dlouhou dobu řešena předevšı́m kvalitativnı́mi metodami a jednoduchými kvantitativnı́mi modely, strojové učenı́ a algoritmy hlubokého učenı́ se použı́vajı́ v modelovánı́ temporálnı́ch dat stále častěji. Je- jich výsledky ale stále zaostávajı́ za jejich výsledky v tradičnějšı́ch oblastech jako např. počı́tačové viděnı́ a zpracovánı́ přirozeného jazyka. Rekurentnı́ neu- ronové sı́tě jsou nejpřirozenějšı́m modelem pro modelovánı́ sekvenčnı́ch dat, ale jejich trénovánı́ může být složité, předevšı́m pro dlouhé posloupnosti. V poslednı́ době mı́sto metod založených na algoritmu zpětného šı́řenı́ přitahujı́ dı́ky svým výsledkům pozornost metody založené na principu tzv. reservoir computing. Ukazuje se, že jsou vhodné předevšı́m pro modelovánı́ chaotických systémů. V této práci prozkoumáme tyto dvě rodiny modelůneuronových sı́tı́z hlediska jejich výsledků a implementace. 1
|
|
|
Forecasting Election Results in the Czech Republic
Doskočilová, Kateřina ; Havránek, Tomáš (vedoucí práce) ; Čech, František (oponent)
Předpovídání výsledků voleb v České republice Kateřina Doskočilová V této práci je vytvořen model pro prognózu výsledku voleb do Poslanecké sněmovny České republiky v roce 2017. Protože v České republice je několik menších stran, výsledkem tohoto modelu jsou procentuální zisky každé strany. Spočítané jsou dva typy předpovědí. Zaprvé, odhad založený na průzkumech veřejného mínění pomocí dynamického lineárního modelu a Kalmanova filtru, který váží informace obsažené v jednotlivých průzkumech. Zadruhé, sázkové kurzy jsou převedeny na pravděpodobnostní předpověd získaného podílu hlasů. To je originální přístup, protože sázkové kurzy byly zatím využívány pouze k předpovědi pravděpodobnosti výhry. Nakonec jsou oba typy předpovědi zkom- binované do jedné, vážené rozptylem. Ze srovnání předpovědí můžeme soudit, že sázkové kurzy jsou schopné určit procentuální zisky hlasů těsně před volbami nejpřesněji.
|
|
|
Předpovídání trendů akciového trhu z novinových článků
Serebryannikova, Anastasia ; Kuboň, Vladislav (vedoucí práce) ; Vidová Hladká, Barbora (oponent)
In this work we made an attempt to predict the upwards/downwards movement of the S&P 500 index from the news articles published by Bloomberg and Reuters. We employed the SVM classifier and conducted multiple experiments aiming at understanding the shape of the data and the specifics of the task better. As a result, we established the common evaluation settings for all our subsequent experiments. After that we tried incorporating various features into the model and also replicated several approaches previously suggested in the literature. We were able to identify some non-trivial dependencies in the data which helped us achieve a high accuracy on the development set. However, none of the models that we built showed comparable performance on the test set. We have come to the conclusion that whereas some trends or patterns can be identified in a particular dataset, such findings are usually barely transferable to other data. The experiments that we conducted support the idea that the stock market is changing at random and a high quality of prediction may only be achieved on particular sets of data and under very special settings, but not for the task of stock market prediction in general. 1
|
|
|
Electricity market: Analysis and prediction of volatility
Kunc, Vladimír ; Krištoufek, Ladislav (vedoucí práce) ; Hájek, Jan (oponent)
Trh s elektřinou: Analýza a predikce volatility Abstrakt Vladimír Kunc July 30, 2015 Poslední dvě dekády jsou charakterizovány restrukturováním energetického prů- myslu a vznikem nových, soutěživých energetických trhů, kde přesné předpovědi cen elektřiny a cenové volatility je cenná jak pro spotřebitele, tak pro výrobce. Cí- lem této práce ja popsat a porovnat několik modelů pro predikci cenové volatility na českém denním trhu s elektřinou na datech poskytnutých společností OTE a.s. za roky 2009 - 2014. Tato práce srovnává 144 rozdílných konfiguracích pro tři různé třídy modelu - autoregresivní modely, modely typu GARCH a modely založené na umělých neuronových sítích. Tato práce provádí srovnání modelů pomocí pěti různých kritérií, z nichž každe popisuje model z jiného pohledu. Klíčová slova: predikce ceny, predikce volatility, GARCH, neuronové sítě, LSTM 1
|
host ::
RSS.