Pénzügyi predikciók gépi tanulással

Abstract

A szakdolgozat célja egy gépi tanuláson alapuló pénzügyi előrejelző modell megvalósítása és összehasonlító elemzése volt. A dolgozat középpontjában az idősoros adatok feldolgozása és előrejelzése állt. Az adatelőkészítés során különféle technikai indikátorokat, például mozgóátlagokat és volatilitási mutatókat számítottam ki, amelyek a modellek bemenetét képezték. A kutatás során két különböző megközelítést alkalmaztam: egy lineáris regressziós modellt, valamint egy LSTM neurális hálózatot, amelyek célja a részvényárfolyamok előrejelzése volt. Az eredményeket mindkét modell esetében összehasonlítottam a TimeGPT előrejelzéseivel, hogy értékeljem a predikciók pontosságát. A vizsgálatok alapján az LSTM modell jobban kezelte a nemlineáris mintázatokat, míg a lineáris regresszió egyszerűbb, de kevésbé rugalmas eredményeket adott. A dolgozat rávilágít arra, hogy bár a gépi tanulás képes bizonyos trendek felismerésére a pénzügyi idősorokban, a piac előrejelzése számos, a modellek számára elérhetetlen tényezőtől függ. Ezért az ilyen típusú modellek inkább elemzési, mintsem megbízható előrejelzési célokra alkalmasak.