Stock Markets Analysis Using New Genetic Annealed Neural Network
Analýza akciových trhů s využitím nové geneticky žíhané neuronové sítě
rigorózní práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/44769Identifikátory
SIS: 120513
Kolekce
- Kvalifikační práce [18160]
Autor
Vedoucí práce
Oponent práce
Vošvrda, Miloslav
Fakulta / součást
Fakulta sociálních věd
Obor
Ekonomie
Katedra / ústav / klinika
Institut ekonomických studií
Datum obhajoby
21. 3. 2012
Nakladatel
Univerzita Karlova, Fakulta sociálních vědJazyk
Angličtina
Známka
Prospěl/a
Klíčová slova (česky)
analýza akciových výnosov, neurónové siete, genetické algoritmy, simulované žíhanie, hybridné sieteKlíčová slova (anglicky)
stock returns analysis, neural networks, genetic algorithms, simulated annealing, hybrid networksPredložená rigorózna práca je zameraná na analýzu výnosov akciových trhov s využitím nového typu neurónovej siete. V prvej kapitole sú popísané teoretické základy predikcie finančných časových rád, Hypotézy efektívnych trhov a štandardne používané predpovedné modely. Nasledovná časť približuje biologickú podstatu, základné princípy a fungovanie neurónových sietí, ich architektúru a niekoľko najznámejších učebných algoritmov ako Sklon gradientu, Levenberg-Marquardtov algoritmus či Konjugovaný gradient. Rovnako zmieňuje určité nevýhody, ktoré ovplyvňujú výkonnosť a efektivitu neurónových sietí. Tretia kapitola je venovaná dvom použitým metaheuristickým metódam, t.j. genetickým algoritmom a simulovanému žíhaniu, ktoré boli integrované do prostredia neurónových sietí na odstránenie zmienených nedostatkov. Ďalšia kapitola ilustruje detaily predstavenej hybridnej siete, zatiaľ čo posledná časť je sústredená na ohodnotenie celkových výsledkov jednotlivých modelov. Ukazuje, že vytvorená hybridná sieť na pozorovanej vzorke jasne prekonala bežné modely i klasické neurónové siete a vo väčšine prípadov dosahuje najmenšiu strednú štorcovú chybu spomedzi všetkých testovaných metód. Kľúčové slová: analýza akciových výnosov, neurónové siete, genetické algoritmy, simulované žíhanie, hybridné siete JEL klasifikácia:...
The presented rigorosis thesis is focused on the stock markets returns analysis using a new type of neural network. First chapter of the thesis describes the underlying theory of the financial time series prediction, Efficient Market Hypothesis and conventional forecasting models. Following part illustrates biological framework, basic principles, functioning of neural networks, their architecture and several well-known learning algorithms such as Gradient descent, Levenberg-Marquardt algorithm or Conjugate gradient. It also mentions certain disadvantages which influence the performance and effectiveness of neural networks. Third chapter is devoted to two applied metaheuristic techniques, i.e. genetic algorithms and simulated annealing that were integrated into neural networks framework to eliminate above mentioned drawbacks. Next chapter describes details of presented hybrid network, whereas the last section is aimed at evaluation of overall results of all models. It shows that on the examined sample hybrid network clearly outperformed standard techniques as well as ordinary neural networks and in most cases achieved the least mean squared error among all explored methods. Keywords: stock returns analysis, neural networks, genetic algorithms, simulated annealing, hybrid networks JEL classification:...