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.
Anotace v angličtině
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.
Klíčová slova
predikce, burzovní data, autoregresní model, modelace časových řad, srovnání s analytickým programováním
Klíčová slova v angličtině
prediction, stock exchange data, autoregressive model, time series modeling, comparison with analytical programming prediction
Rozsah průvodní práce
48
Jazyk
CZ
Anotace
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.
Anotace v angličtině
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.
Klíčová slova
predikce, burzovní data, autoregresní model, modelace časových řad, srovnání s analytickým programováním
Klíčová slova v angličtině
prediction, stock exchange data, autoregressive model, time series modeling, comparison with analytical programming prediction
Zásady pro vypracování
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.
Zásady pro vypracování
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.
Seznam doporučené literatury
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.
Seznam doporučené literatury
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.
Přílohy volně vložené
CD ROM
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student plynule a logicky prezentoval svoji diplomovou práci a následně smysluplně obhajoval svoji práci oproti rozsáhlým dotazům oponenta:
U třířádkového vysvětlení teorie k metodě nejmenších čtverců máte parafrázi definice a citaci z Wikipedie, což není u diplomové práce žádoucí. Diplomant by se oproti bakalářské práci měl orientovat též v cizojazyčné literatuře. Sdělte proto pro tuto metodu alespoň jednu zahraniční monografii, kde je popsána. (Barot) Jaké znáte knihy pojednávající o stěžejních softcomputingových metodách, které v práci aplikujete. Tyto teoretické souvislosti popisujete též na několika řádcích u každé metody, což vrhá negativní stín na celou práci. (Barot) Jak by se daly regresní modely implementovat pomocí možností jazyka C++ při uvažování datové struktury JSON s využitím přístupu OOP v novějších standardech tohoto jazyka? (Barot) Uveďte na tabuli ve státnicové místnosti vzorový příklad výpočtu adjungované matice. Jak se této matici říká s ohledem na princip jejího dosažení. (Barot) Nastal případ během realizace algoritmů, že by některá z matic v rámci metody nejmenších čtverců byla singulární a co by to znamenalo? (Barot) Jakou roli z pohledu vícerozměrné optimalizace hrají parciální derivace účelové funkce v metodě nejmenších čtverců? Jaký typ vícerozměrného extrému je hledán. (Barot) V práci jste prokázal schopnost programovat v aplikační oblasti, kterou jste patřičně nastudoval. Avšak absolvent navazujícího studijního programu má reprezentovat svou univerzitu i v psané stránce svého projevu. Jakou roli má podle Vás český pravopis, psaní teček za věty, zalomení konce stránek, formální úprava kvalifikační práce a zejména norma ČSN ISO 690-2, čímž ve Vaši práci z větší části opovrhujete? (Barot)
Přes výrazné stylistické i technické nedostatky se komise usnesla hodnotit tuto práci jako dostatečnou.