A gyors ütemben fejlődő gépi tanulás új eszközöket szolgáltat az idősor-előrejelzés számára. Bizonyos mély neurális hálózatok különösen jól alkalmazhatók szekvenciális adatok elemzésére (mint például az idősorok). A disszertáció első része bemutat két ilyen hálózattípust (rekurrens és konvolúciós neurális hálózatokat), és a legfontosabb szempontokat azok előrejelzésre való alkalmazása kapcsán. A második rész a módszerek empirikus alkalmazásait ismerteti a pénzügyi előrejelzések (kockázat, illetve mortalitás előrejelzése) területén.

The quickly evolving field of machine learning delivers powerful tools for time series forecasting. Certain deep neural network architectures are particularly well-suited to sequential data (such as time series). The first part of the dissertation describes two such architectures (recurrent and convolutional neural networks), together with the most important considerations regarding their applications to forecasting. The second part describes empirical applications in the field of financial time series forecasting: risk forecasting and mortality forecasting.