Computational Intelligence for Financial Market Prediction
Výpočetní inteligence pro predikci finančních trhů
bachelor thesis (DEFENDED)

View/ Open
Permanent link
http://hdl.handle.net/20.500.11956/84491Identifiers
Study Information System: 155425
Collections
- Kvalifikační práce [10150]
Author
Advisor
Referee
Mráz, František
Faculty / Institute
Faculty of Mathematics and Physics
Discipline
General Computer Science
Department
Department of Theoretical Computer Science and Mathematical Logic
Date of defense
16. 6. 2016
Publisher
Univerzita Karlova, Matematicko-fyzikální fakultaLanguage
English
Grade
Very good
Keywords (Czech)
computational intelligence, financial market, prediction, genetic programming, neural networksKeywords (English)
computational intelligence, financial market, prediction, genetic programming, neural networksFinanční trhy jsou charakterizovány nejistotou, která je často spojována s budoucím vývojem světových ekonomik a firem. Schopnost předpovědět alespoň do určité míry budoucí vývoj finančních trhů by umožnila člověku dosáhnout téměř neomezených zisků. Cílem této práce je prozkoumat neuronové sítě a genetické programování jako možné nástroje pro předpovídání budoucích pohybů finančních trhů, a aplikovat je na dostupná historická finanční data. Experimenty byly provedeny a jejich výsledky nám ukázaly, že obě metody mohou být úspěšně k tomuto účelu využity. Výsledky nám dále ukázaly, že strategie využívající neuronové sítě v průměru překonaly strategie vytvořené pomocí genetického programování. Pro zhodnocení a zobrazení výsledků našich strategií byla dále vytvořena aplikace MarketForecaster. Powered by TCPDF (www.tcpdf.org)
Financial markets are characterized by uncertainty, which is associated with the future progress of world economics and corporations. The ability of an individual to forecast future market behaviour at least to a certain extent would give him an important competitive advantage on the market. The aim of this work is to explore neural networks and genetic programming as possible tools which could be used for financial markets forecasting and apply them on historical financial data. Experiments using neural networks and genetic programming were performed and the results show, that both tools can be employed successfully. On average, neural networks outperformed genetic programming in our experiments. In order to evaluate and visualize the results of our created strategies, the MarketForecaster application was implemented. Powered by TCPDF (www.tcpdf.org)