V této práci je popsáno prostředí akciových trhů, včetně jejich klasických analýz. Popsány jsou také zdroje pro získání burzovních případně souvisejících ekonomických dat a případné problémy s nimi.
Jsou zde definovány časové řady a popsány metody pro jejich modelování. Zvoleny jsou také parametry pro modelování těchto řad.
Pro vyhodnocení kvality modelu a predikce jsou zvoleny vhodné funkce
Je porovnána predikce provedena jak pomocí statistických regresí, tak z oblasti softcomputingu (analytické programování) .
Jeden směr tvorby predikce je jen na základě minulých hodnot, druhý směr predikuje hodnoty v závislost na více vstupech.
Annotation in English
This work describes the stock market environment, including their classical analyzes. There are also described sources for obtaining stock exchange or related economic data and possible problems with them.
There are defined time series and methods for their modeling. Parameters for modeling these series are also selected.
Suitable functions are chosen to evaluate the model's quality and prediction.
The prediction is compared using both statistical regression and softcomputing (analytical programming).
One direction of prediction creation is based only on past values, the other direction predicts values depending on multiple inputs.
Keywords
predikce, burzovní data, autoregresní model, modelace časových řad, srovnání s analytickým programováním
Keywords in English
prediction, stock exchange data, autoregressive model, time series modeling, comparison with analytical programming prediction
Length of the covering note
48
Language
CZ
Annotation
V této práci je popsáno prostředí akciových trhů, včetně jejich klasických analýz. Popsány jsou také zdroje pro získání burzovních případně souvisejících ekonomických dat a případné problémy s nimi.
Jsou zde definovány časové řady a popsány metody pro jejich modelování. Zvoleny jsou také parametry pro modelování těchto řad.
Pro vyhodnocení kvality modelu a predikce jsou zvoleny vhodné funkce
Je porovnána predikce provedena jak pomocí statistických regresí, tak z oblasti softcomputingu (analytické programování) .
Jeden směr tvorby predikce je jen na základě minulých hodnot, druhý směr predikuje hodnoty v závislost na více vstupech.
Annotation in English
This work describes the stock market environment, including their classical analyzes. There are also described sources for obtaining stock exchange or related economic data and possible problems with them.
There are defined time series and methods for their modeling. Parameters for modeling these series are also selected.
Suitable functions are chosen to evaluate the model's quality and prediction.
The prediction is compared using both statistical regression and softcomputing (analytical programming).
One direction of prediction creation is based only on past values, the other direction predicts values depending on multiple inputs.
Keywords
predikce, burzovní data, autoregresní model, modelace časových řad, srovnání s analytickým programováním
Keywords in English
prediction, stock exchange data, autoregressive model, time series modeling, comparison with analytical programming prediction
Research Plan
Získejte data časových řad na základě vývoje vybraných akciových titulů popřípadě akciových burzovních indexů v náhodně vybraných historických časových obdobích.
S využitím statistických regresních metod získejte pro dané časové řady parametry regresních modelů s vhodně zvolenou strukturou.
Pomocí vybraných metod softcomputingu získejte parametry vhodných modelů popisujících stejné časové řady.
Analýzu opakujte pro různá časová období.
Jednotlivé modely ověřte na datech následujících po zvoleném časovém období. Porovnejte predikované hodnoty s historickou skutečností a zhodnoťte kvalitu jednotlivých modelů.
Research Plan
Získejte data časových řad na základě vývoje vybraných akciových titulů popřípadě akciových burzovních indexů v náhodně vybraných historických časových obdobích.
S využitím statistických regresních metod získejte pro dané časové řady parametry regresních modelů s vhodně zvolenou strukturou.
Pomocí vybraných metod softcomputingu získejte parametry vhodných modelů popisujících stejné časové řady.
Analýzu opakujte pro různá časová období.
Jednotlivé modely ověřte na datech následujících po zvoleném časovém období. Porovnejte predikované hodnoty s historickou skutečností a zhodnoťte kvalitu jednotlivých modelů.
Recommended resources
MUSÍLEK, Petr. Trhy cenných papírů. Praha: Ekopress, 2002, 459 s. ISBN 8086119556.
DOSTÁL, Petr. Soft computing v podnikatelství a veřejné správě. Brno: Akademické nakladatelství CERM, 2015, 2 sv. ISBN 9788072048960.
CUESTA, Hector. Analýza dat v praxi. Brno: Computer Press, 2015, 296 s. ISBN 9788025143612.
FANTA, Jiří. Psychologie, algoritmy a umělá inteligence na kapitálových trzích. Praha: Grada, 2001, 167 s. Finance. ISBN 8024700247.
ZELINKA, Ivan, Zuzana KOMÍNKOVÁ OPLATKOVÁ a Roman ŠENKEŘÍK. Aplikace umělé inteligence. Zlín: Univerzita Tomáše Bati ve Zlíně, 2010, 151 s. ISBN 9788073188986.
NELLES, Oliver. Nonlinear system identification: from classical approaches to neural networks and fuzzy models. Berlin: Springer, c2001, xvii, 785 s. ISBN 3540673695.
Recommended resources
MUSÍLEK, Petr. Trhy cenných papírů. Praha: Ekopress, 2002, 459 s. ISBN 8086119556.
DOSTÁL, Petr. Soft computing v podnikatelství a veřejné správě. Brno: Akademické nakladatelství CERM, 2015, 2 sv. ISBN 9788072048960.
CUESTA, Hector. Analýza dat v praxi. Brno: Computer Press, 2015, 296 s. ISBN 9788025143612.
FANTA, Jiří. Psychologie, algoritmy a umělá inteligence na kapitálových trzích. Praha: Grada, 2001, 167 s. Finance. ISBN 8024700247.
ZELINKA, Ivan, Zuzana KOMÍNKOVÁ OPLATKOVÁ a Roman ŠENKEŘÍK. Aplikace umělé inteligence. Zlín: Univerzita Tomáše Bati ve Zlíně, 2010, 151 s. ISBN 9788073188986.
NELLES, Oliver. Nonlinear system identification: from classical approaches to neural networks and fuzzy models. Berlin: Springer, c2001, xvii, 785 s. ISBN 3540673695.
