Examining potential ways to find Causality through Machine Learning Instruments

Solymár-Müller László (2023) Examining potential ways to find Causality through Machine Learning Instruments. Pénzügyi és Számviteli Kar. (Kéziratban)

Előnézet	PDF Solymár-Müller László Examining potential ways to find Causality through Machine Learning Instruments TDK.pdf Download (1MB) | Előnézet
	Microsoft Word Rezümé.docx Download (16kB)
	PDF Dolgozat_biralati_lap_2023.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (116kB)
	PDF Dolgozat_biralati_lap_2023 (Solymár-Müller László Róbert).pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (147kB)
	PDF 05_Paper_evaluation_form_2023 (Solymár-Müller László Róbert).pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (170kB)

Absztrakt (kivonat)

The purpose of my study is to conduct a thorough examination of the underlying forces that drive gold prices, employing a collection of financial information dating back to 2007 and covering 86 distinct currency pairs, indexes and futures. This inquiry is about developing and testing predictive models, especially the Extra Trees Regressor model and neural network models, to figure out how gold prices and certain economic variables might be connected, with a focus on the different kinds of inflation indexes.I used an iterative method for choosing my what kind of regression will I use, starting with a look at about 15 regression models, which led to the choice of the Extra Trees Regressor model. Gold prices were predicted using a lagging method, which provided a substantive foundation for the subsequent deployment of neural network models. The endeavor to refine the predictive capability led me to the incorporation of five distinct types of inflation into both regression and neural network models. The mean absolute error revealed that each inflation type augmented the predictive power of the models, although to varying degrees. Through my hypotheses I will try to prove a significant difference between model outcomes and thus I will argue for the potential presence of causality.I used comparative evaluations of various approaches to strengthen this narrative, highlighting their strengths and flaws.Initially, the study proposes a framework for analyzing the impact of economic variables on financial assets, potentially extending beyond gold to other commodities or financial instruments. Secondly, it presents a new approach in the field of methodological blueprints for intertwining machine learning, economic analysis, and empirical validation to bridge the gap between correlation and causality. In the future I hope I can develop this method for practical applications, ranging from informed investment strategies to nuanced economic policy formulations.Rezümé: Solymár-Müller László Róbert Konzulens: 7. aktív félév Dr. Kovács Endre GazdaságinformatikaBGE PSZK Főiskolai Docens BGE PSZK Konzulens: Dr. Csongrádi Gyöngyi Főiskolai Docens BGE PSZK A kauzalitás kimutatás lehetséges módjainak vizsgálata a gépi tanulási eszközeivel Tanulmányom célja, hogy feltárjam az arany árfolyamát befolyásoló tényezőket, egy 2007-ig visszanyúló pénzügyi információgyűjtemény felhasználásával. Elemzésem a prediktív modelleket, különösen az Extra Trees Regressort és a neurális hálózatokat helyezi a középpontjába, annak vizsgálata érdekében, hogy az arany ára és bizonyos gazdasági változók hogyan kapcsolódnak egymáshoz, különös tekintettel a különböző típusú inflációs indexekre. Ezen a kérdéskörön keresztül szeretném kimutatni, hogy a modern gépi tanulási eszközök használatán keresztül empirikus módszerekkel megállapítható a kauzalitás a magyarázó és a célváltozó között. Az elméletem a matematikai módszerek és a tudományos munkában aranystandardként tekintett klinikai próbák között kíván hidat képezni más, már vizsgált hasonló módszerek mellett. Iteratív módszerrel választottam ki, hogy milyen regressziót fogok használni, több releváns regressziós modell áttekintésével, ami végül az Extra Trees Regressor modell kiválasztásához vezetett. Az arany árának előrejelzése mozgóátlag módszerrel történt, ami érdemi alapot adott a neurális hálózati modellek későbbi bevezetéséhez. A prediktív képesség finomítására tett törekvésen keresztül öt különböző típusú inflációt építettem be mind a regressziós, mind a neurális hálózati modellekbe. Az átlagos abszolút hibán keresztül vizsgáltam az egyes modellek teljesítményét és ezen keresztül az inflációs típusok magyarázó-erejét, melyek eltérő mértékben, növelték a modellek pontosságát. Hipotéziseimmel igyekszem szignifikáns különbséget bizonyítani a modelleredmények között, így az ok-okozati összefüggés lehetséges megléte mellett érvelek. A narratíva megerősítésére különféle megközelítések összehasonlító értékelését alkalmaztam, kiemelve azok erősségeit és hibáit. Az általam vizsgált egyik módszer figyelemfelkeltő eredményekkel szolgált amely számomra indokolja, hogy a jövőben tovább fejlesszem a tézisemet. A neurális háló modell fejlesztése során, bár mutatott fejlődést több esetben, nem sikerül egy olyan egységes és univerzálisan használható modellt megalkotni, ami az általam kitűzött célt szolgálná. A tanulmány keretet javasol a gazdasági változóknak a pénzügyi eszközökre gyakorolt hatásának elemzésére, amely az aranyon túl esetleg más pénzügyi eszközökre, vagy egyéb releváns ágensre is kiterjedhet.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tanszék

Gazdaságinformatika Tanszék

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Mű típusa:	TDK dolgozat
Kulcsszavak:	AI, Causality, Gold, inflation, machine learning, Regression
SWORD Depositor:	Archive User
Felhasználói azonosító szám (ID):	Archive User
Rekord készítés dátuma:	2024. Már. 22. 12:52
Utolsó módosítás:	2024. Már. 22. 12:52
URI:	http://dolgozattar.uni-bge.hu/id/eprint/53813	URI:	http://dolgozattar.uni-bge.hu/id/eprint/53813

Actions (login required)

Tétel nézet