Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Aktieprediktion med neurala nätverk: En jämförelse av statistiska modeller, neurala nätverk och kombinerade neurala nätverk
Blekinge Institute of Technology, Faculty of Engineering, Department of Industrial Economics.
2019 (Swedish)Independent thesis Advanced level (degree of Master (Two Years)), 300 HE creditsStudent thesis
Abstract [en]

This study is about prediction of the stockmarket through a comparison of neural networks and statistical models. The study aims to improve the accuracy of stock prediction. Much of the research made on predicting shares deals with statistical models, but also neural networks and then mainly the types RNN and CNN. No research has been done on how these neural networks can be combined, which is why this study aims for this. Tests are made on statistical models, neural networks and combined neural networks to predict stocks at minute level. The result shows that a combination of two neural networks of type RNN gives the best accuracy in the prediction of shares. The accuracy of the predictions increases further if these combined neural networks are trained to predict different time horizons. In addition to tests for accuracy, simulations have also been made which also confirm that there is some possibility to predict shares. Two combined RNNs gave best results, but in the simulations, even CNN made good predictions. One conclusion can be drawn that the stock market is not entirely effective as some opportunity to predict future values exists. Another conclusion is that neural networks are better than statistical models to predict stocks if the neural networks are combined and are of type RNN.

Abstract [sv]

Denna studie behandlar prediktion av aktier genom en jämförelse av neurala nätverk och statistiska modeller. Studien syftar till att förbättra noggrannheten för aktieprediktion. Mycket av den forskning som gjorts om att förutspå aktier behandlar statistiska modeller, men även neurala nätverk och då främst typerna RNN och CNN. Ingen forskning har dock gjorts på hur dessa neurala nätverk kan kombineras, varför denna studie syftar till just detta. Tester är gjorda på statistiska modeller, neurala nätverk och kombinerade neurala nätverk för att förutspå aktier på minutnivå. Resultatet visar att en kombination av två neurala nätverk av typen RNN ger bäst noggrannhet vid prediktion av aktier. Noggrannheten i prediktionerna ökar ytterligare om dessa neurala nätverk tränas för att förutspå olika tidshorisont. Utöver tester för prediktionernas noggrannhet har även simuleringar genomförts som även de bekräftar att viss möjlighet finns att förutspå aktier. Två kombinerade RNN gav bra resultat, men här visade även CNN bra prediktioner. En slutsats kan dras om att aktiemarknaden inte är helt effektiv då viss möjlighet att förutspå framtida värden finns. Ytterligare en slutsats är att neurala nätverk är bättre än statistiska modeller till att förutspå aktier om de neurala nätverken kombineras och är av typen RNN.

Place, publisher, year, edition, pages
2019. , p. 36
Keywords [en]
neural network, stock market, recurrent neural network
Keywords [sv]
neuralt nätverk, aktiemarknad, recurrent neural network
National Category
Other Engineering and Technologies not elsewhere specified
Identifiers
URN: urn:nbn:se:bth-18214OAI: oai:DiVA.org:bth-18214DiVA, id: diva2:1331968
Subject / course
MT2515 Degree Project in Master of Science in Industrial Management and Engineering
Educational program
IEACI Master of Science in Industrial Management and Engineering
Supervisors
Examiners
Available from: 2019-07-02 Created: 2019-06-27 Last updated: 2019-07-02Bibliographically approved

Open Access in DiVA

fulltext(2448 kB)330 downloads
File information
File name FULLTEXT01.pdfFile size 2448 kBChecksum SHA-512
aa02d7dd1cf6429c3eccf7306212ddd705ec726b91cf6661ae72158267ecb1df7a7cbbe2e4e5fdb673759b9418937c97b3a82235ed682fc4c540148909775344
Type fulltextMimetype application/pdf

Search in DiVA

By author/editor
Oskarsson, Gustav
By organisation
Department of Industrial Economics
Other Engineering and Technologies not elsewhere specified

Search outside of DiVA

GoogleGoogle Scholar
Total: 330 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 718 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf