Adatbányászat alkalmazásai empirikus pénzügyekben

OData támogatás
Konzulens:
Zlatniczki Ádám
Számítástudományi és Információelméleti Tanszék

A diplomadolgozatomban tőzsdei árak mozgásirányának előrejelzésével foglalkozom annak érdekében, hogy egy jövedelmező befektetési stratégiát építsek. Az előrejelzéshez adatbányászati módszereket, azon belül elsősorban az osztályozás módszerét fogom használni. A célom olyan bináris osztályozót építeni, ami a részvények korábbi napi zárási árfolyamából és vásárlási volumenéből, illetve az előző napok mozgásirányából megadja, hogy a következő napon nőni vagy csökkeni fog az adott részvény árfolyama. Modellépítés során kipróbálok több osztályozó algoritmust, név szerint a következőket: döntési fa, random forest, Bayes-osztályozó és szupportvektor gépek (SVM). A különböző módszerekkel épített osztályozókat jósági mértékekkel hasonlítom össze egymással, majd a legjobbnak ítélt osztályozó segítségével összeállítok egy stratégiát, aminek a teljesítményét összehasonlítom jól ismert módszerekével.

Ahhoz, hogy ezeket az eredményeket elérjem, utána olvastam az enyémhez hasonló korábbi kutatásoknak és azok eredményeinek. Feldolgoztam a használni kívánt technikák elméleti hátterét és a gyakorlati megvalósításhoz feltétlenül szükséges aspektusait összefoglaltam. Majd letöltöttem az AT&T részvény árfolyamait a Yahoo! Finance oldalról és leíró statisztikák és ábrázolás segítségével elemeztem őket. Ezután az AT&T részvény adatit felhasználva több iteráción át kerestem és fejlesztettem a négy osztályozót, még végül a szupportvektor gépet találtam a legjobbnak. Ezt felhasználva előrejelzésre, elkészítettem a saját befektetési stratégiámat, amit a Dow Jones Industrial Average-dzsel hasonlítottam össze. Kitérőként asszociációs szabályok keresésével is foglalkoztam. Ezzel az volt a célom, hogy feltárjak esetleges kapcsolatokat az egyes részvény árak alakulása között.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.