Modelování a predikce vývoje cen akcií pomocí neuronových sítí

Abstract

Akciové trhy jsou náchylné na různé vlivy a proto je jejich predikce velmi náročná. Existuje mnoho přístupů, jak předpovídat vývoj cen akcií, nicméně žádný není univerzální. Tato práce se zabývá přístupem zvaným machine learning. Do tohoto přístupu se dají zařadit modely CNN, LSTM, GRU, jejich obousměrné varianty a následné kombinace modelů. Dále jsou jednotlivé modely použity pro jednodenní a vícedenní predikci. V práci je upozorněno na nepoužitelnost jednodenní predikce, která je opakovaně použita za účelem predikce několika dní dopředu. Pro predikci byla vybrána data SXR8.DE, které kopírují index S&P 500. Následně jsou modely na těchto datech vyhodnoceny a na základě jejich přesnosti je vybrán model, který má největší úspěšnost za cílem maximalizovat profit z obchodování s akciemi.

Stock markets are vulnerable to various factors, and therefore their prediction is very challenging. There are many approaches to forecasting stock prices, but none is universal. This thesis focuses on an approach called machine learning. CNN, LSTM, GRU models, their bidirectional variants and model combinations can be included in this approach. Furthermore, the individual models are used for one-day and multi-day forecasting. The thesis points out the unusability of the one-day prediction, which is repeatedly used to predict several days ahead. SXR8.DE data, which replicates the S&P 500 index, was selected for the forecast. The models are then evaluated on this data, and based on their accuracy, the model with the highest success rate is selected in order to maximize the profit from stock trading.