Time Series Forecasts using the Neural Networks
Juraj Čurpek · 2017
V teto diplomove praci se věnujeme analýze schopnosti takzvaných Long Short-Term Memory neuronovych siti předpovědet nahodně vybrane financni casove řady dostupne na webu Yahoo!Finance. Nejprve jsme urcili pět nejvhodnějsich modelů LSTM, ktere byly použity pro předpovědi 150 financnich casových řad z různých odvětvi. Pote jsme z nich vypocitali statisticke ukazatele týkajici se predikovatelnosti casových řad - Hurstův koeficient, Metricka entropie a největsii Lyapunov exponent. Nakonec pomoci jednoduche regresni analýzy a korelacnich koeficientů se snažime urcit vztah mezi kvalitou předpovědi reprezentovanou průměrným RMSE a statistikami vztahujici se k predikovatelnosti casových řad s nasledným porovnanim s teoretickými předpoklady.