Show simple item record

Modern predictive methods for financial time series
dc.contributor.advisorHendrych, Radek
dc.creatorHerrmann, Vojtěch
dc.date.accessioned2021-02-23T11:01:58Z
dc.date.available2021-02-23T11:01:58Z
dc.date.issued2021
dc.identifier.urihttp://hdl.handle.net/20.500.11956/124550
dc.description.abstractTato práce se zabývá porovnáním vybraného tradičního přístupu k modelování a pre- dikci časových řad (ARIMAX model) s vybraným moderním přístupem - pomocí gradi- entně boostovaných rozhodovacích stromů implementovaných v rámci knihovny XGBoost. V první části práce je představen teoretický rámec supervizovaného učení, modelu ARI- MAX a gradientního boostingu v kontextu rozhodovacích stromů. V druhé části jsou identifikovány modely ARIMAX a XGBoost, které oba predikují konkrétní časovou řadu - denní zobchodovaný objem indexu S&P 500, což je pro řadu odvětví velmi důležitá úloha. Dále jsou porovnány výsledky jednotlivých přístupů, jsou popsány výhody XGBo- ost, které pravděpodobně vedly k jeho lepším výsledkům v této konkrétní simulační studii a je ukázána důležitost optimalizace hyperparametrů. Na závěr jsou metody porovnány i po praktické stránce, speciálně co do výpočetní náročnosti. V poslední části práce je odvozena teorie hybridního modelu a navrženy algoritmy pro nalezení optimálního hyb- ridního modelu. Ty jsou následně aplikovány na problém predikce objemu. Optimální hybridní model kombinuje modely ARIMAX a XGBoost a dosahuje lepších výsledků než jednotlivé modely samostatně. 1cs_CZ
dc.description.abstractThis thesis deals with comparing two approaches to modelling and predicting time series: a traditional one (the ARIMAX model) and a modern one (gradiently boosted decision trees within the framework of the XGBoost library). In the first part of the thesis we introduce the theoretical framework of supervised learning, the ARIMAX model and gradient boosting in the context of decision trees. In the second part we fit the ARIMAX and XGBoost models which both predict a specific time series, the daily volume of the S&P 500 index, which is a crucial task in many branches. After that we compare the results of the two approaches, we describe the advantages of the XGBoost model, which presumably lead to its better results in this specific simulation study and we show the importance of hyperparameter optimization. Afterwards, we compare the practicality of the methods, especially in regards to their computational demands. In the last part of the thesis, a hybrid model theory is derived and algorithms to get the optimal hybrid model are proposed. These algorithms are then used for the mentioned prediction problem. The optimal hybrid model combines ARIMAX and XGBoost models and performs better than each of the individual models on its own. 1en_US
dc.languageČeštinacs_CZ
dc.language.isocs_CZ
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectARIMAX|Hybrid model|Prediction|Stock Market|XGBoosten_US
dc.subjectAkciový trh|ARIMAX|Hybridní model|Predikce|XGBoostcs_CZ
dc.titleModerní predikční metody pro finanční časové řadycs_CZ
dc.typediplomová prácecs_CZ
dcterms.created2021
dcterms.dateAccepted2021-02-02
dc.description.departmentDepartment of Probability and Mathematical Statisticsen_US
dc.description.departmentKatedra pravděpodobnosti a matematické statistikycs_CZ
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.identifier.repId204494
dc.title.translatedModern predictive methods for financial time seriesen_US
dc.contributor.refereeCipra, Tomáš
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineProbability, mathematical statistics and econometricsen_US
thesis.degree.disciplinePravděpodobnost, matematická statistika a ekonometriecs_CZ
thesis.degree.programMatematikacs_CZ
thesis.degree.programMathematicsen_US
uk.thesis.typediplomová prácecs_CZ
uk.taxonomy.organization-csMatematicko-fyzikální fakulta::Katedra pravděpodobnosti a matematické statistikycs_CZ
uk.taxonomy.organization-enFaculty of Mathematics and Physics::Department of Probability and Mathematical Statisticsen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csPravděpodobnost, matematická statistika a ekonometriecs_CZ
uk.degree-discipline.enProbability, mathematical statistics and econometricsen_US
uk.degree-program.csMatematikacs_CZ
uk.degree-program.enMathematicsen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csTato práce se zabývá porovnáním vybraného tradičního přístupu k modelování a pre- dikci časových řad (ARIMAX model) s vybraným moderním přístupem - pomocí gradi- entně boostovaných rozhodovacích stromů implementovaných v rámci knihovny XGBoost. V první části práce je představen teoretický rámec supervizovaného učení, modelu ARI- MAX a gradientního boostingu v kontextu rozhodovacích stromů. V druhé části jsou identifikovány modely ARIMAX a XGBoost, které oba predikují konkrétní časovou řadu - denní zobchodovaný objem indexu S&P 500, což je pro řadu odvětví velmi důležitá úloha. Dále jsou porovnány výsledky jednotlivých přístupů, jsou popsány výhody XGBo- ost, které pravděpodobně vedly k jeho lepším výsledkům v této konkrétní simulační studii a je ukázána důležitost optimalizace hyperparametrů. Na závěr jsou metody porovnány i po praktické stránce, speciálně co do výpočetní náročnosti. V poslední části práce je odvozena teorie hybridního modelu a navrženy algoritmy pro nalezení optimálního hyb- ridního modelu. Ty jsou následně aplikovány na problém predikce objemu. Optimální hybridní model kombinuje modely ARIMAX a XGBoost a dosahuje lepších výsledků než jednotlivé modely samostatně. 1cs_CZ
uk.abstract.enThis thesis deals with comparing two approaches to modelling and predicting time series: a traditional one (the ARIMAX model) and a modern one (gradiently boosted decision trees within the framework of the XGBoost library). In the first part of the thesis we introduce the theoretical framework of supervised learning, the ARIMAX model and gradient boosting in the context of decision trees. In the second part we fit the ARIMAX and XGBoost models which both predict a specific time series, the daily volume of the S&P 500 index, which is a crucial task in many branches. After that we compare the results of the two approaches, we describe the advantages of the XGBoost model, which presumably lead to its better results in this specific simulation study and we show the importance of hyperparameter optimization. Afterwards, we compare the practicality of the methods, especially in regards to their computational demands. In the last part of the thesis, a hybrid model theory is derived and algorithms to get the optimal hybrid model are proposed. These algorithms are then used for the mentioned prediction problem. The optimal hybrid model combines ARIMAX and XGBoost models and performs better than each of the individual models on its own. 1en_US
uk.file-availabilityV
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra pravděpodobnosti a matematické statistikycs_CZ
thesis.grade.code1
uk.publication-placePrahacs_CZ
uk.thesis.defenceStatusO


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV