| dc.contributor.advisor |
Šenkeřík, Roman
|
|
| dc.contributor.author |
Li, Peng
|
|
| dc.date.accessioned |
2023-12-20T13:25:28Z |
|
| dc.date.available |
2023-12-20T13:25:28Z |
|
| dc.date.issued |
2022-12-02 |
|
| dc.identifier |
Elektronický archiv Knihovny UTB |
|
| dc.identifier.uri |
http://hdl.handle.net/10563/54295
|
|
| dc.description.abstract |
Tato práce se zabývá technologií AI pro obchodování s akciemi, konkrétně predikcí cen akcií. K predikci cen vybraných akcií (AAPL, MSFT, TSLA, META, GOOG) byly použity modely jako dlouhodobá - krátkodobá paměť, regresní a klasifikační feed forward neuronové síě, hluboké učení (hluboké posílení učení), a regresní model optimalizovaný pomocí metody rojení částic. V rámci této diplomové práce byly v praktické části výkonnosti různých modelů analyzovány, porovnány a prodiskutovány. Výsledky ukázaly, že model hlubokého učení poskytnul nejlepší výkon (s průměrným skóre 95 % R-squared) a model s klasifikační dopřednou neuronovou sítí byl nejhorší (s průměrným skóre přesnosti pouze 50 %). Také ostatní modely ukázaly velký potenciál pro předpovídání cen akcií, stejně jako model využívající optimalizátor optimalizaci rojem částic pak demonstroval výhodu automatického ladění hyperparametrů. Cílem je, aby tato práce přispěla k dalšímu výzkumu v oblastech AI, algoritmů, financí a informatiky. |
|
| dc.format |
72 |
|
| dc.language.iso |
en |
|
| dc.publisher |
Univerzita Tomáše Bati ve Zlíně |
|
| dc.rights |
Bez omezení |
|
| dc.subject |
akcie
|
cs |
| dc.subject |
predikce
|
cs |
| dc.subject |
AI
|
cs |
| dc.subject |
neuronová síť
|
cs |
| dc.subject |
hyperparametr
|
cs |
| dc.subject |
optimalizátor
|
cs |
| dc.subject |
stock
|
en |
| dc.subject |
prediction
|
en |
| dc.subject |
AI
|
en |
| dc.subject |
neural network
|
en |
| dc.subject |
hyperparameter
|
en |
| dc.subject |
optimizer
|
en |
| dc.title |
AI for Stock Trading |
|
| dc.title.alternative |
A.I. for Stock Trading |
|
| dc.type |
diplomová práce |
cs |
| dc.contributor.referee |
Kotyrba, Martin |
|
| dc.date.accepted |
2023-06-15 |
|
| dc.description.abstract-translated |
This thesis studied about the artificial intelligence (AI) technology for stock trading, specifically about stock price prediction. The long short-term memory neural network (LSTM), regression feed - forward neural network (RFFNN), classification feed - forward neural network (CFFNN), deep reinforcement learning (DRL) and the particle swarm optimization (PSO) optimized RFFNN (RFFNN-PSO) models were used to predict the AAPL, MSFT, TSLA, META, and GOOG stocks' prices and the performance of the different models were analyzed, compared and discussed. The results showed the DRL model had the best performance (with average 95% R-squared score (R2)) and the CFFNN model had the poorest (with only average 50% accuracy score). Also, the LSTM and RFFNN showed the great potential to predict stock prices as well as the RFFNN-PSO model showed the advantage of auto-tuning hyperparameters. This study is expected to contribute to the further research of the fields in AI, algorithms, finance and computer science. |
|
| dc.description.department |
Ústav informatiky a umělé inteligence |
|
| dc.thesis.degree-discipline |
Software Engineering |
cs |
| dc.thesis.degree-discipline |
Software Engineering |
en |
| dc.thesis.degree-grantor |
Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky |
cs |
| dc.thesis.degree-grantor |
Tomas Bata University in Zlín. Faculty of Applied Informatics |
en |
| dc.thesis.degree-name |
Ing. |
|
| dc.thesis.degree-program |
Information Technologies |
cs |
| dc.thesis.degree-program |
Information Technologies |
en |
| dc.identifier.stag |
63420
|
|
| dc.date.submitted |
2023-05-26 |
|
