| Anotācija |
Šis maģistra darbs apskata dažādu datizraces(data mining) algoritmu lietošanu valūtas tirgus(forex) kursu paredzēšanai, paredzēšanas precizitātes uzlabošanai, lietojot WEKA rīku, un, visbeidzot, algoritmu, kas sniegtu vislabākos rezultātus, izvēli.
Izanalizējot zinātnisko literatūru, kas tapusi laika posmā no 2000. līdz 2016. gadam, tika noteiktas 6 metodes, kas visprecīzāk varētu paredzēt valūtas kursu nākotni. Šīs metodes bija: mākslīgais neironu tīkls(artificial neural network), atbalsta vektoru mašīnas metode(Support Vector Machine), k-tuvāko kaimiņu metode(K-nearest neighbor), lēmumu koku ansambļu metode(random forest), klasifikācijas un regresijas koka(Classification And Regression Tree) metode un Gausa procesu regresijas(Gaussian process regression) metode. Darbā lietota katra no šīm metodēm tās sākotnējā formā, lai noteiktu, kura metode vislabāk spēj ģenerēt visprecīzākos rezultātus.
Maģistra darbā izmantotais atvērtā koda datizraces programmatūras rīks WEKA izvēlēts, jo to atzinuši profesionāļi. Tāpat, tas ir neatkarīgs no platformas, vienkārši instalējams, un uzrakstīts JAVA programmēšanas valodā. Lai izmērītu rezultātus, tika lietota vidējās kvadrātiskās kļūdas(Root Mean Square Error) metode, kas tiek plaši pielietota statistikā kļūdu mērīšanai. Mazāka RMSE vērtība nozīmē labāku paredzēšanas precizitāti. Katrs modelis, paredzot valūtas kursu, radījis mazāk kā 0.057 RMSE vērtību. No izmantotajiem algoritmiem labākos rezultātus sniedza lēmumu koku ansambļa metode Random Forest; labus rezultātus varēja iegūt arī ar mākslīgā neironu tīkla un klasifikācijas un regresijas koka algoritmiem. |
