Show simple item record

Předpověď Forexu SVM regresí a LSTM neuronovou sítí
dc.contributor.advisorŠíla, Jan
dc.creatorBodický, Michal
dc.date.accessioned2021-06-30T07:17:00Z
dc.date.available2021-06-30T07:17:00Z
dc.date.issued2021
dc.identifier.urihttp://hdl.handle.net/20.500.11956/126540
dc.description.abstractV posledních letech se obor strojového učení rozvíjel předtím nevídaným tempem. Následkem toho jsou i jeho četné aplikace zaměřené na předpověď vývoje cen devizového trhu. Autoři v nich většinou porovnávají neuronové sítě s lineárními modely. Přínos naší práce spočívá v obsáhlém porovnání dvou metod strojového učení, SVM regrese (SVR) a LSTM neuronové sítě (LSTM RNN), v předpovědi jednorozměrných minutových časových řad šesti vysoce obchodovaných měnových párů. V první analýze naše práce zkoumá přesnost obou metod v předpovědi následující hodnoty v závislosti na měnící se dimenzi vstupu. V druhé analýze zkoumáme jak metody predikují delší časové úseky, což je umožněno použitím rekurentní verze SVR. V první analýze je LSTM RNN většinou několikrát více přesné než SVR. Přesnost SVR je robustní vůči proměnné dimenzi vstupu, hodnoty LSTM RNN os- cilují napříč dimenzemi vstupu. Ve druhé analýze LSTM RNN většinou poráží SVR v řádu desetinásobků. S narůstajícím horizontem předpovědi se přesnost SVR zhoršuje ale přesnost LSTM RNN zůstává stejná. 1cs_CZ
dc.description.abstractIn the last years, the field of machine learning boomed. That led to its numerous forecasting applications on prices of Foreign exchange market. Re- searchers there mostly compare neural networks to linear model baselines. The contribution of this thesis consists of a comprehensive performance com- parison between two promising machine learning methods, Support vector regression (SVR) and Long short-term memory recurrent neural network (LSTM RNN), in the forecasting of six highly traded currency pairs on one minute univariate time series data. First, it analyses methods' performances in the forecasting of one step ahead price while varying input dimensions of these methods. Next, it examines how methods perform in longer forecasts, that enabled by using a recurrent version of SVR. In the first analysis, LSTM RNN outperforms SVR in most of the cases several times. Performance of SVR is robust to varying input while LSTM RNN's performance fluctuates across dimensions. In the second analysis, LSTM RNN beats SVR mostly by order of magnitude. With increasing forecasting horizon, SVR's performance gets worse and LSTM RNN's performance remains stable. 1en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Fakulta sociálních vědcs_CZ
dc.subjectForexcs_CZ
dc.subjectpředpověďcs_CZ
dc.subjectstrojové učenícs_CZ
dc.subjectSVM regresecs_CZ
dc.subjectrekurentní SVM regresecs_CZ
dc.subjectLSTM neuronová síťcs_CZ
dc.subjectForexen_US
dc.subjectforecastingen_US
dc.subjectmachine learningen_US
dc.subjectsupport vector regressionen_US
dc.subjectrecurrent support vector regressionen_US
dc.subjectlong short-term memory recurrent neural networken_US
dc.titleForex forecasting with Support vector regression and Long short-term memory recurrent neural networken_US
dc.typebakalářská prácecs_CZ
dcterms.created2021
dcterms.dateAccepted2021-06-09
dc.description.departmentInstitute of Economic Studiesen_US
dc.description.departmentInstitut ekonomických studiícs_CZ
dc.description.facultyFakulta sociálních vědcs_CZ
dc.description.facultyFaculty of Social Sciencesen_US
dc.identifier.repId213589
dc.title.translatedPředpověď Forexu SVM regresí a LSTM neuronovou sítícs_CZ
dc.contributor.refereeKrištoufek, Ladislav
thesis.degree.nameBc.
thesis.degree.levelbakalářskécs_CZ
thesis.degree.disciplineEconomics and Financeen_US
thesis.degree.disciplineEkonomie a financecs_CZ
thesis.degree.programEkonomické teoriecs_CZ
thesis.degree.programEconomicsen_US
uk.thesis.typebakalářská prácecs_CZ
uk.taxonomy.organization-csFakulta sociálních věd::Institut ekonomických studiícs_CZ
uk.taxonomy.organization-enFaculty of Social Sciences::Institute of Economic Studiesen_US
uk.faculty-name.csFakulta sociálních vědcs_CZ
uk.faculty-name.enFaculty of Social Sciencesen_US
uk.faculty-abbr.csFSVcs_CZ
uk.degree-discipline.csEkonomie a financecs_CZ
uk.degree-discipline.enEconomics and Financeen_US
uk.degree-program.csEkonomické teoriecs_CZ
uk.degree-program.enEconomicsen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csV posledních letech se obor strojového učení rozvíjel předtím nevídaným tempem. Následkem toho jsou i jeho četné aplikace zaměřené na předpověď vývoje cen devizového trhu. Autoři v nich většinou porovnávají neuronové sítě s lineárními modely. Přínos naší práce spočívá v obsáhlém porovnání dvou metod strojového učení, SVM regrese (SVR) a LSTM neuronové sítě (LSTM RNN), v předpovědi jednorozměrných minutových časových řad šesti vysoce obchodovaných měnových párů. V první analýze naše práce zkoumá přesnost obou metod v předpovědi následující hodnoty v závislosti na měnící se dimenzi vstupu. V druhé analýze zkoumáme jak metody predikují delší časové úseky, což je umožněno použitím rekurentní verze SVR. V první analýze je LSTM RNN většinou několikrát více přesné než SVR. Přesnost SVR je robustní vůči proměnné dimenzi vstupu, hodnoty LSTM RNN os- cilují napříč dimenzemi vstupu. Ve druhé analýze LSTM RNN většinou poráží SVR v řádu desetinásobků. S narůstajícím horizontem předpovědi se přesnost SVR zhoršuje ale přesnost LSTM RNN zůstává stejná. 1cs_CZ
uk.abstract.enIn the last years, the field of machine learning boomed. That led to its numerous forecasting applications on prices of Foreign exchange market. Re- searchers there mostly compare neural networks to linear model baselines. The contribution of this thesis consists of a comprehensive performance com- parison between two promising machine learning methods, Support vector regression (SVR) and Long short-term memory recurrent neural network (LSTM RNN), in the forecasting of six highly traded currency pairs on one minute univariate time series data. First, it analyses methods' performances in the forecasting of one step ahead price while varying input dimensions of these methods. Next, it examines how methods perform in longer forecasts, that enabled by using a recurrent version of SVR. In the first analysis, LSTM RNN outperforms SVR in most of the cases several times. Performance of SVR is robust to varying input while LSTM RNN's performance fluctuates across dimensions. In the second analysis, LSTM RNN beats SVR mostly by order of magnitude. With increasing forecasting horizon, SVR's performance gets worse and LSTM RNN's performance remains stable. 1en_US
uk.file-availabilityV
uk.grantorUniverzita Karlova, Fakulta sociálních věd, Institut ekonomických studiícs_CZ
thesis.grade.codeB
uk.publication-placePrahacs_CZ
uk.thesis.defenceStatusO


Files in this item

Thumbnail
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