Modelling Durations Using Artificial Neural Networks

• Název práce v češtině: Modelování durací pomocí neuronových sítí
• Název v anglickém jazyce: Modelling Durations Using Artificial Neural Networks
• Klíčová slova: cenove durace, neuronove ste, geneticke algoritmy
• Klíčová slova anglicky: price durations,arti cial neural networks, genetic algorithms
• Akademický rok vypsání: 2011/2012
• Typ práce: diplomová práce
• Jazyk práce: angličtina
• Ústav: Institut ekonomických studií (23-IES)
• Vedoucí / školitel: doc. PhDr. Jozef Baruník, Ph.D.
• Řešitel: skrytý - zadáno vedoucím/školitelem
• Datum přihlášení: 20.06.2012
• Datum zadání: 20.06.2012
• Datum a čas obhajoby: 28.01.2014 00:00
• Místo konání obhajoby: IES
• Datum odevzdání elektronické podoby: 06.01.2014
• Datum proběhlé obhajoby: 28.01.2014
• Oponenti: PhDr. Martin Dózsa

Předběžná náplň práce v anglickém jazyce

The thesis introduces Arti�cial Neural Networks (ANN) to the �eld of �nancial
durations. We begin by reviewing the �ndings about �nancial durations and
models applied to analyze them. ANNs are then surveyed and one of the pos-
sible network architectures is selected for the forecasting. The selected ANN
is a feed-forward network, with one hidden layer, a sigmoid activation func-
tion and a genetic algorithm for optimization. We use original and diurnally
adjusted data for estimation and in contrast to other duration models, ANNs
do not require data pre-processing. Therefore forecasts are estimated in one
step without removing seasonalities for raw data. The estimates of the ANN
are compared to estimates of the Autoregressive Conditional Duration (ACD)
model, which serves as a benchmark for forecasting capabilities of the ANNs.
The �ndings con�rm that ANNs can be used to model durations with a similar
accuracy as the ACD model. In the case of raw data the model slightly out-
performs the ACD model, while the opposite is true for adjusted data, however
the forecasting ability di�erence is not signi�cant.