Neuro-Fuzzy alapú mutatószámhalmaz kialakítása az autóipar tőzsdei előrejelzéseihez

Szabó Tamás (2024) Neuro-Fuzzy alapú mutatószámhalmaz kialakítása az autóipar tőzsdei előrejelzéseihez. Pénzügyi és Számviteli Kar. (Kéziratban)

[thumbnail of Szabó_Tamás_PSZK.pdf] PDF
Szabó_Tamás_PSZK.pdf
Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg

Download (1MB)
[thumbnail of Szabó_Tamás_08_BGE TDK_Szerzői hozzájárulás nyilatkozat 2024.pdf] PDF
Szabó_Tamás_08_BGE TDK_Szerzői hozzájárulás nyilatkozat 2024.pdf
Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg

Download (118kB)
[thumbnail of Szabó_Tamás_PSZK.docx] Microsoft Word
Szabó_Tamás_PSZK.docx
Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg

Download (23kB)
[thumbnail of Dolgozat_biralati_lap_2024_Szabó Tamás.pdf] PDF
Dolgozat_biralati_lap_2024_Szabó Tamás.pdf
Hozzáférés joga: Bizalmas dokumentum (bírálat)

Download (90kB)
[thumbnail of SZABÓ TAMÁS biralat.pdf] PDF
SZABÓ TAMÁS biralat.pdf
Hozzáférés joga: Bizalmas dokumentum (bírálat)

Download (94kB)

Absztrakt (kivonat)

A kutatás arra kereste a választ, hogy mely pénzügyi mutatószámok a legalkalmasabbak az autóipar részvényárfolyamainak előrejelzésére. A cél annak meghatározása volt, hogy mely indikátorok gyakorolnak szignifikáns hatást az árfolyamokra és ezek közül melyek azok, amelyek leginkább felhasználhatók mesterséges intelligencia alapú kereskedési rendszerekben, az előrejelzések pontosságának növelése érdekében. Az autóipar kiválasztása különösen indokolt, mivel ez az iparág jelentős gazdasági hatással bír és az előrejelzési modellek megbízhatósága közvetlenül hozzájárulhat a befektetési hajlandóság növeléséhez. A kutatás eredményei túlmutatnak az autóiparon és más iparágakban is alkalmazhatóvá válhatnak, lehetővé téve iparág-specifikus, integrált elemzéseket. A kutatás több szakaszban zajlott. Elsőként mélyinterjúkat készítettem pénzügyi szakértőkkel hogy meghatározzam a releváns pénzügyi mutatószámokat. Ezt követte a szakirodalmi áttekintés, amely a kezdeti eredmények megerősítésére és a mutatók finomítására szolgált. Az adatgyűjtés során autóipari vállalatok éves beszámolóit és tőzsdei adatait elemeztem. Ezek alapján egy ANFIS (Adaptive Neuro-Fuzzy Inference System) modellt építettem, amely segített feltárni a pénzügyi mutatók és az árfolyamok közötti nemlineáris kapcsolatokat. Az elemzés során egyesével eltávolítottam a mutatókat, hogy mérjem hatásukat az előrejelzés pontosságára. Az eredmények megbízhatóságát RMSE és nRMSE mutatók, valamint konfidencia intervallumok alapján értékeltem. A kutatás eredményei egyértelműen rámutattak, hogy a ROA (Eszközarányos nyereség) a legfontosabb pénzügyi mutatószám az autóipari részvényárfolyamok előrejelzése során. A ROA eltávolítása a modellből a legnagyobb pontosságromlást eredményezte, ami azt mutatja, hogy az eszközök hatékony kihasználása kritikus szerepet játszik a részvényárak előrejelezhetőségében. A ROE (Saját tőke arányos nyereség) a második legfontosabb mutatóként szerepelt, amely szintén jelentős hatással volt a modell pontosságára. Az EPS (Egy részvényre jutó nyereség) és különösen a PM (Nettó haszonkulcs) kevésbé befolyásolták az előrejelzést, eltávolításuk csak minimális hatást gyakorolt a modell teljesítményére.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tanszék

Pénzügy Tanszék

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Pénzügy és számvitel

Mű típusa: TDK dolgozat
Kulcsszavak: autóipar, mesterséges intelligencia, tőzsde, tőzsdeelemzés, tőzsdei árfolyammozgások
SWORD Depositor: User Archive
Felhasználói azonosító szám (ID): User Archive
Rekord készítés dátuma: 2025. Szep. 23. 11:57
Utolsó módosítás: 2025. Szep. 23. 11:57

Actions (login required)

Tétel nézet Tétel nézet