Deep neural networks and their application for economic data processing

Abstract

Název práce: Hluboké neuronové sítě a jejich využití při zpracování ekonomických dat Autor: Bc. Tomáš Witzany Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí diplomové práce: Doc. RNDr. Iveta Mrázová, CSc., Katedra teoretické informatiky a matematické logiky Abstrakt: Analýza makroekonomických časových řad je klíčová pro informovanost rozhodnutí politiků na národní úrovni. Analýza ekonomických údajů má boha- tou historii a zejména v oblasti modelování nelineárních závislostí zůstává mnoho otevřených otázek. K moderním nástrojům pro analýzu časových řad patří mimo jiné metody strojového učení. Z těchto metod neuronové sítě patří k jedné z nejpoužívanějších, jak modelovat nelineární závislosti. Cíl této práce spočívá ve studiu hlubokých neuronových sítí, analýze jejich vlastností a posouzení jejich kvalit pro řešení úloh, například prognózu vývoje HDP nebo klastrování zemí. Použité modely zahrnují vrstevnaté neuronové sítě, LSTM sítě, konvoluční sítě a Kohonenovy mapy. K analýze a testování studovaných modelů byla použita historická data poskytovaná Organizací spojených národů a Světovou bankou. Tato data zahrnují historii makroekonomického vývoje přes...

Title: Deep neural networks and their application for economic data processing Author: Bc. Tomáš Witzany Department: Department of Theoretical Computer Science and Mathematical Logic Supervisor: Doc. RNDr. Iveta Mrázová, CSc., Department of Theoretical Com- puter Science and Mathematical Logic Abstract: Analysis of macroeconomic time-series is key for the informed decisions of national policy makers. Economic analysis has a rich history, however when considering modeling non-linear dependencies there are many unresolved issues in this field. One of the possible tools for time-series analysis are machine learn- ing methods. Of these methods, neural networks are one of the commonly used methods to model non-linear dependencies. This work studies different types of deep neural networks and their applicability for different analysis tasks, including GDP prediction and country classification. The studied models include multi- layered neural networks, LSTM networks, convolutional networks and Kohonen maps. Historical data of the macroeconomic development across over 190 differ- ent countries over the past fifty years is presented and analysed. This data is then used to train various models using the mentioned machine learning methods. To run the experiments we used the services of the computer center MetaCentrum....