Show simple item record

Neural Networks for Modeling and Prediction of Stock Price Development



dc.contributor.advisorSmítková Janků Ladislava
dc.contributor.authorMartin Šír
dc.date.accessioned2022-06-10T22:54:02Z
dc.date.available2022-06-10T22:54:02Z
dc.date.issued2022-06-10
dc.identifierKOS-1065790723505
dc.identifier.urihttp://hdl.handle.net/10467/101803
dc.description.abstractAkciové 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.cze
dc.description.abstractStock 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.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectLSTMcze
dc.subjectGRUcze
dc.subjectCNNcze
dc.subjectCNN-LSTMcze
dc.subjectBidirectional architecturescze
dc.subjectStacked architecturescze
dc.subjectKodér-Dekodér LSTMcze
dc.subjectVícekroková predikce akciícze
dc.subjectLSTMeng
dc.subjectGRUeng
dc.subjectCNNeng
dc.subjectCNN-LSTMeng
dc.subjectBidirectional architectureseng
dc.subjectStacked archi-\linebreak tectureseng
dc.subjectEncoder-Decoder LSTMeng
dc.subjectMulti-step stock forecastingeng
dc.titleModelování a predikce vývoje cen akcií pomocí neuronových sítícze
dc.titleNeural Networks for Modeling and Prediction of Stock Price Developmenteng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.contributor.refereeDedecius Kamil
theses.degree.disciplineZnalostní inženýrstvícze
theses.degree.grantorkatedra aplikované matematikycze
theses.degree.programmeInformatika 2009cze


Files in this item




This item appears in the following Collection(s)

Show simple item record