Prihlásenie

FALÁT, Lukáš: Prognózovanie finančných časových radov s hybridnými umelými neurónovými sieťami a pokročilými štatistickými metódami [dizertačná práca] – Žilinská univerzita v Žiline, Fakulta riadenia a informatiky, Katedra makro a mikroekonomiky – Vedúci: prof. Ing. Dušan Marček, CSc. – Stupeň odbornej kvalifikácie: Doktor filozofie v odbore Aplikovaná informatika. EDIS Žilina, 2015. 170 s. Dizertačná práca sa venuje modelovaniu a prognózovaniu finančných časových radov hybridnými štatisticko-soft-computingovými modelmi dopredných umelých neurónových sietí so zámerom zlepšenia predikčných vlastností oproti štandardným modelom z dôvodu ich nedostatočnej predikčnej presnosti pri prognózovaní vysokofrekvenčných, veľmi dynamických a vysokovolatilných časových radoch. Cieľom dizertačnej práce bolo navrhnúť nový pokročilý hybridný model UNS s lepšími predikčnými vlastnosťami než štandardné modely UNS. V práci sme vytvorili nový teoretický tzv. Error-Correction model neurónovej siete so samokorekčným mechanizmom a jeho výpočtovú verziu RBF-SEMA. V práci boli tiež teoreticky rozpracované aj ďalšie nové hybridné modely ako RBF-KM, RBF-GA, ARCH-RBF, R-ARCH-RBF, W-ARCH-RBF, RBF-KM-SEMA, RBF-GA-SEMA. Okrem matematického aparátu bol ECM model ako aj ostatné modely overené empirickým výskumom na reálnych finačných dátach vybraných menových kurzov. Z realizovaných testov vyplynulo, že modely ECM UNS, RBF-KM, RBF-GA vykazujú významne lepšie predikčné vlastnosti než štandardné modely a v doméne finančného prognózovania majú značný potenciál. Prínos práce je v rozpracovanej novej teórii ECM pre UNS ako aj v prakticky navrhnutých nových modeloch, ktoré priniesli zlepšenie vlastností pôvodnej UNS typu RBF. Kľúčové slová: umelé neurónové siete, RBF, genetický algoritmus, Error-Correction, finančné časové rady, hybridné modely, prognózovanie.

FALÁT, Lukáš: Financial Time Series Forecasting with Hybrid Artificial Neural Networks and Advanced Statistical Methods [Dissertation thesis] – The University of Žilina, Faculty of Management Science and Informatics, Department of Macro and Microeconomics – Tutor: prof. Ing. Dušan Marček, CSc. – Qualification level: Doctor Philosophy in Applied Informatics. EDIS Žilina, 2015. 170 p. The dissertation thesis deals with modelling and forecasting of financial time series with hybrid statistical-soft-computing model of feedforward artificial neural networks due to improving forecasting qualities of standard models. The reason for this is that standard models do not have satisfied forecasting qualities in forecasting time series which are high-frequentional, very dynamic and very volatile. The main goal of this thesis was to construct and implement a new hybrid model of ANN with better prediction qualities than standard models. We created the new theoretical Error-Correction model of the neural network with auto correction mechanism as well as its computational version RBF-SEMA. We suggested also other hybrid models in this work, i.e. RBF-KM, RBF-GA, ARCH-RBF, R-ARCH-RBF, W-ARCH-RBF, RBF-KM-SEMA, RBF-GA-SEMA. Except for mathematical proof the ECM model as well as other models were validated empirically on real financial data of exchange rates. The conclusion from experiments is that ECM model of ANN as well as RBF-KM and RBF-GA have significantly better prediction qualities than standard model and have a big potential in financial forecasting. Besides the new implemented hybrid models, the main contribution of this thesis is also in the new theory of ECM for neural networks. Keywords: artificial neural networks, RBF, genetic algorithm, Error-Correction, financial time series, hybrid models, forecasting.