03575ntm a22005297i 4500 000725204 CZ-PrVSE 20250824103944.0 m d cr n|||||||||| 250824s2025 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Tomášková, Tereza ISIS:149345 dis Comparison of traditional and machine learning methods in modelling financial market assets eng Srovnání tradičních a machine learningových metod při modelování aktiv finančních trhů / Tereza Tomášková 2025 ?? stran : digital, PDF soubor Vedoucí práce: Ondřej Šimpach Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2025 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2025 Tato práce se zabývá komparací metod tradiční statistiky a strojového učení při predikci logaritmických výnosů na různých typech aktiv. Pro lepší zobecnění chování aktiv jsou pro práci vybrány čtyři ETF, a to akciové, dluhopisové, komoditní a realitní. Jako zástupce tradičních metod jsou vybrány ARIMA a GARCH modely, pro strojové učení jsou zvoleny náhodné lesy, rekurentní neuronové sítě, dlouhé krátkodobé paměťové sítě a hybridní model neuronových sítí. V teoretické částí práce jsou představeny specifika finančních časových řad, transformace nutné pro práci s tradičními statistickými modely a následně jednotlivé metody modelování. V praktické části jsou ověřeny statistické předpoklady časových řad a vytvořeny modely. Jelikož ARIMA-GARCH model nedokázal odstranit heteroskedasticitu z reziduí, jsou pro následné predikce v rámci tradičních modelů použity pouze ARIMA modely. V rámci modelů strojového učení jsou definovány mřížkové vyhledávání, či náhodné vyhledávání pro práci s hyperparametry a zvoleny vhodné architektury modelů. Z výsledků vyplývá, že modely neuronových sítí dosahují lepších výsledků než ARIMA modely, zároveň ARIMA a hybridní model jsou jedinými modely, které ani u jednoho ETF nedosahují lepších výsledků, než při užití konstantního modelu, který predikuje pro každé období nulovou hodnotu. Způsob přístupu: Internet statistika [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas GARCH Krátké dlouhodobé paměťové sítě ARIMA Rekurentní neuronové sítě Logaritmické výnosy Náhodné lesy Šimpach, Ondřej jo2013796555 ths Helman, Karel xx0260953 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/90085/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/90085 Hlavní práce https://insis.vse.cz/zp/90085/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/90085/posudek/oponent/88208 Oponentura https://insis.vse.cz/zp/90085/podrobnosti dc:identifier NEPOSILAT VSKP vse90085 250820 90085