Predicting The Stock Market With Financial Time Series Using HybridModels - A Comparative Analysis

• Main Author: Burevik Sandberg, Vilhelm
• Format: Others
• Language: English
• Published: KTH, Skolan för teknikvetenskap (SCI) 2018
• Subjects: Engineering and Technology; Teknik och teknologier
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-230739

 Att förutspå aktieindex har visat sig vara svårt med traditionella modeller. Maskininlärning är ett fält inom datavetenskap som har visat goda resultat när det har applicerats på tidsserieanalys på grund av dess användning av smarta inlärningsalgoritmer. Det finns dock mycket kvar som kan förbättras i eftersökningen av bättre och mer utmärkande modeller. Denna uppsats är tänkt att fylla detta gap genom att undersöka hur väl följande metoder SVR, SVM, LMANN och BRANN presterar när de försöker förutspå finansiella tidsserier i form utav aktieindex, en dag framåt i tiden. De enskilda metoderna kommer också användas som riktmärke för att utvärdera två hybrider kombinerade av dessa. Dessa hybrider kommer att skapas genom att använda en optimeringsalgoritm GA, i syfte att minimera RMSE. Vidare pekar resultatet på att de två hybriderna överträffar de enskilda modellerna och att de därför visar sig vara mer framgångsrika när det kommer till att förutse morgondagens stängningspris för aktieindex. Vidare bekräftar det statistiska testet att hybriderna presterar annorlunda jämfört med de enskilda modellerna, dock inte på vilket sätt. Det är emellertid inte statistiskt signifikant vilken av de två hybriderna som presterar bäst. Standardavvikelsen för hybridernas fel varierar dessutom något, vilket man bör ta hänsyn till och ha i åtanke om modellen ska användas och tillämpas. Viktig information om de resultaten som framkommit framgår av tabellerna 5.1 till 5.5. Slutsatsvis har hybridmodeller återigen visat sig betydande när det gäller att förutspå morgondagens ak- tieindex. Resultatet av denna avhandling kommer förhoppningsvis att bidra till ytterligare forskning i strävan efter perfektion inom området för ekonomiska tidsserier.   === Predicting stock indexes has proven to be difficult using traditional technical analytics. Machine learning is a field within computer science that is frequently used, and based on its ability to use learning algorithms has shown good results. However there is still a lot of unexplored territory in the search for improved and superior methods. This thesis seeks to fill this gap by examining how well the following methods perform when predicting one day ahead financial time series (SVR, SVM, LMANN and BRANN). The individual methods will also be used as benchmarks in the interest of evaluating two hybrids constructed of the above mentioned algorithms that will be merged by minimizing the RMSE using GA. The result doesn’t conclude which of the individual models that perform best when predicting short-term stocks. Further, the result strongly indicates that both the hybrids outperform all the individual methods by a wide margin, and therefore that they are proven to be successful in their performance. The statistical test confirms that the hybrids perform differently compared to the individual models, though not in what way. It is however not statistically significant which of the two hybrids performs best. Moreover, the result of the standard deviation shows that the performance of the hybrid varies somewhat, which should be taken into account if the model is to be used to invest real money. Important information about the result is presented in tables 5.1 through 5.5. Conclusively, hybrid models have again proven significant in terms of predicting short-term stocks. The findings of this thesis will hopefully help further research in the quest for perfection in the field of financial time series prediction.