Price gaps in the stock market
Cenové mezery na akciových trzích
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/174012Identifikátory
SIS: 234020
Kolekce
- Kvalifikační práce [18149]
Autor
Vedoucí práce
Oponent práce
Vácha, Lukáš
Fakulta / součást
Fakulta sociálních věd
Obor
Ekonomie a finance
Katedra / ústav / klinika
Institut ekonomických studií
Datum obhajoby
15. 6. 2022
Nakladatel
Univerzita Karlova, Fakulta sociálních vědJazyk
Angličtina
Známka
Výborně
Tato diplomová práce analyzuje cenové mezery na akciov˝ch trzích. Hlavním cílem je pomocí sví kov˝ch graf zjistit, zda se v bezprost edním okolí cenov˝ch mezer vyskytují n jaké opakující se vzorce. Práce se nejprve zab˝vá znám˝mi sví kov˝mi formacemi, literaturou t˝kající se cenov˝ch mezer a konvolu ní neuronovou sítí (KNS) jakoûto vybranou metodou anal˝zy. Práce rozebírá cenové mezery v 5minutovém m ítku na datech akcií tvo ících index S&P 500 v rozmezí let 2015 aû 2021. Zvolen˝ model KNS na základ obrázk sví kov˝ch graf dosahuje p esnosti 74.2% p i predikci, zda budoucí cena bude vyööí nebo niûöí neû cena u mezery. Lze tedy konstatovat, ûe KNS se poda ilo odhalit skryté formace kolem cenov˝ch mezer. Dále bylo zjiöt no, ûe tyto formace se pro jednotlivé akcie liöí. Rovn û bylo zjiöt no, ûe p idání sentimentu zpráv jako dalöího vstupu do anal˝zy schopnost detekovat vzorce nezlepöí. Klasifikace JEL C45, C55, C88, G14, G15, G41 Klí ová slova cenová mezera, konvolu ní neuronová sí , detekce vzorc , sentiment zpráv Název práce Cenové mezery na akciov˝ch trzích
This thesis aims to scrutinise price gaps in the stock market. The key objective is to analyse candlestick charts surrounding price gaps and determine whether any patterns accompany their presence. Firstly, the thesis briefly describes candlestick patterns, literature relevant to price gaps and Convolutional Neural Network (CNN) as the method of choice. Price gaps are studied in a 5-minute time frame in the data of all S&P 500 constituents in the years from 2015 to 2021. By feeding images of the candlestick chart into the CNN, the proposed model reaches an Accuracy of 74.2% in predicting whether a future price will be higher or lower than the price at the gap. This result can be translated into a statement that the CNN detects hidden patterns around the price gaps. Furthermore, the thesis finds that these patterns di er across individual stocks. The thesis also shows that including news sentiment in the analysis does not improve the ability to discover patterns. JEL Classification C45, C55, C88, G14, G15, G41 Keywords price gap, convolutional neural network, pattern detection, news sentiment Title Price gaps in the stock market