Bakalářská práce

Predikce vývoje výnosů akcií

Stock return predictability

Darek Šidlák
Anotace

Tato práce zkoumá jedno z klíčových témat finančního investování a ekonomického modelování – problém předvídatelnosti vývoje akciových výnosů. V tomto textu konkrétně zkoumáme předvídatelnost denních akciových výnosů s využitím pouze zpožděných historických dat jako vysvětlujících proměnných. Predikční problém je potom v rámci této práce řešen za použití třech různých matematicko-statistických modelů …více

Abstract

This thesis investigates one of the key topics in financial investing and economic forecasting – the issue of stock returns predictability. Specifically, in this text, we examine the predictability of the day-ahead stock returns using only the lagged historical data as explanatory variables. In the context of this thesis, we approach this task from a purely quantitative perspective. We employ three …více

Klíčová slova
akciové výnosy časové řady ARIMA neuronové sítě metoda podpůrných vektorů stock returns time series neural networks support vector machines
Zadání práce

Cílem práce je sestavení a porovnání predikčních schopností modelu vývoje výnosů vybraných akcií.

Postup práce:
1. Problematika predikcí výnosů finančních aktiv.
2. Analýza teoretické a empirické literatury.
3. Výběr metodologie pro provedení analýzy (např., ARIMA, GARCH a neuronové sítě) a evaluaci předpovídací schopnosti modelů (MSE, QLIKE apod.).
4. Sestavení a evaluace modelu predikce výnosů vybraných akcií.
5. Zhodnocení dosažených výsledků a diskuze o potenciálním využití modelů v praxi.

Metodologie: deskripce, komparace, analýza, matematicko-statistické metody.

Administrativní informace
Práce zkontrolována:
11. 5. 2021 11:19, Oleg Deev, Ph.D., učo 387462
Plný text práce
2,9 MB / soubor PDF
Jazyk práce
angličtina angličtina
Termín obhajoby
15. 6. 2021
Práce byla úspěšně obhájena

Vedoucí

Oleg Deev, Ph.D., učo 387462
KF ESF MU

Oponent

doc. Ing. Tomáš Plíhal, Ph.D., učo 370621
KF ESF MU

Literatura

  • GOODFELLOW, Ian; Yoshua BENGIO a Aaron COURVILLE. Deep learning. London, England: MIT Press, 2016, xxii, 775. ISBN 9780262035613.
  • PATTERSON, Josh a Adam GIBSON. Deep learning : a practitioner's approach. First edition. Beijing: O'Reilly, 2017, xxi, 507. ISBN 9781491914250.
  • AGGARWAL, Charu C. Neural networks and deep learning : a textbook. Cham: Springer, 2018, xxiii, 497. ISBN 9783319944623.
  • GU, Shihao; Bryan KELLY a Dacheng XIU. Empirical Asset Pricing via Machine Learning. National Bureau of Economic Research Working Papers. 2018, roč. 25398. Dostupné z: https://doi.org/10.3386/w25398.
  • BARUNÍK, Jozef. How Do Neural Networks Enhance the Predictability of Central European Stock Returns? Czech Journal of Economics and Finance. 2008, roč. 58, 7-8, s. 359-376. ISSN 0015-1920.
Citovat tuto práci
Masarykova univerzita Ekonomicko-správní fakulta
Studijní program
Plán
Finance

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.