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

Sammanfattning:  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.