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.

	PDF Solymár-Müller László Examining potential ways to find Causality through Machine Learning Instruments TDK.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (1MB)
	PDF Solymár-Müller László_TDK 2023.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (40kB)
	PDF Solymár- Müller László bírálat.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (203kB)
	PDF Solymár_László.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (197kB)

Absztrakt (kivonat)

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:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	AI, arany, gazdaságinformatika, infláció, machine learning, ML, Predicting
SWORD Depositor:	Archive User
Felhasználói azonosító szám (ID):	Archive User
Rekord készítés dátuma:	2024. Júl. 11. 07:48
Utolsó módosítás:	2024. Júl. 11. 07:48

Actions (login required)

Tétel nézet