Tőzsdeelemzés gépi tanulási módszerrel a koronavírus idején

Bodonyi Dániel (2020) Tőzsdeelemzés gépi tanulási módszerrel a koronavírus idején. Pénzügyi és Számviteli Kar.

	PDF Tőzsdeelemzés gépi tanulási módszerrel a koronavírus idején.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (1MB)
	PDF BA_TO_Bodonyi_Dániel_MYFPFT.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (457kB)

Absztrakt (kivonat)

Tőzsdeelemzés gépi tanulási módszerrel a koronavírus idején 2020-ban egy új járvány ütötte fel a fejét, ez a koronavírus járvány. A koronavírus gyorsan elterjedt a világon és sokan betegek lettek, emiatt karanténok, lezárások, kijárási tilalom lett bevezetve, ami viszont gazdasági hatással is bírt. Az emberek kevesebbet költöttek, éttermekbe nem mehettek, így sok cég becsődölt. A tőzsdén is eluralkodott a pánik, eladási hullámok jöttek létre és rohamosan csökkentek a részvények árai. Az egyik legnagyobb tőzsde, az amerikai tőzsde is beszakadt. Ebben a helyzetben használtam fel egy gépi tanulási modellt, neurális hálózatot. Teszteltem ezt a fajta gépi tanulási algoritmust, hogy hogyan teljesít ilyen kényes időszakban. Úgynevezett stresszteszt alá vetettem a megfelelő neurális hálózatot, hogy meg tudjam képes -e a nem kívánt események előrejelzésére. Illetve, hogy megtudjam milyen pontosan lehet vele előre jelezni. Lehet-e volatilis piac esetén használni? A dolgozatomban ismertettem pár gazdasági alapfogalmat, mint például az S&P500 tőzsdeindex vagy mint például a részvény. Ismertetés került a gépi tanulást és neurális hálózat több változatát is, fokozatosan egy egyre komplexebb megoldás felé haladva. Összesen három fajtáját ismertettem a neurális hálózatoknak. A feladat megoldása idősorelemzésre alkalmas neurális hálózatot igényel, amelyre a leghatékonabban a Long -Short Term Memory nevű változata képes. Bemutatásra került a fentebb említett neurális hálózat és az alapjait szolgáló visszacsatolt neurális hálózat, valamint az oka, hogy miért nem a visszacsatolt hálót használják. Az oka az eltűnő gradiens probléma, angolul vanishing gradient problem, amely hosszabb szekvenciális adatok esetén felejtésre kényszeríti a neurális hálózat visszacsatolt változatát. A stressztesztet az Apple részvényén hajtottam végre, ami a egyik legismertebb részvény. A részvény múltbeli napi záró adatait letöltöttem, adatfeltérképezést vizualizációt hajtottam végre, az adatok megismerésének érdekében. Ismertettem Krish Naik által írt programot és az általa felépített modellt, amely az adattudós fórumokon fellelhetőek közül az egyik legkomplexebb, hiszen halmozott LSTM rétegeket használ. Ezt a programot és modellt vettem alá stressztesztnek. A stresszteszt 2 időintervallumban és 2 időpontban valósult meg. A két időpont teljes mértékben a nem várt, nem kívánt események közé tartozik, hiszen az egyik az esés előtti nap, a második az esés alja. A stresszteszt intervallumai: 1. Az esés és esés alja közötti pár időpont. A második intervallum az esés utáni emelkedő rész. Ez a rész nagyobb így több időpontban is stresszteszteltem a modellt. Az intervallum időpontjait úgy válogattam ki, hogy nem kívánt, váratlan események előtt legyenek. A modell stressztesztejei után rövid konklúziót vontam le, majd a program különböző beállításait konfigurálva újabb teszteket végeztem, hogy egy pontosabb modellt hozzak létre. Egy komplex, a stresszteszten nem elbukó modellt nem sikerült találni, de egy fokkal jobbat igen. A sok tesztelés eredményeként egy kicsit megbízhatóbb modellhez jutottam. Ezt a végső, továbbfejlesztett modellt vettem alá ugyanannak a stressztesztnek, amin az eredeti is volt. A kapott eredményeket hasonlítottam össze az eredeti modell eredményeivel. Majd pedig végső konklúziót vontam le és összegeztem az addigi munkámat.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tanszék

Gazdaságinformatika Tanszék

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Konzulens(ek)

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	idősorelemzés, idősorok, neurális hálózatok, részvény, tőzsde
SWORD Depositor:	Archive User
Felhasználói azonosító szám (ID):	Archive User
Rekord készítés dátuma:	2021. Már. 01. 13:31
Utolsó módosítás:	2021. Már. 01. 13:31

Actions (login required)

Tétel nézet