| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Intelektuālas robotizētas sistēmas |
| Nosaukums |
Laikrindu analīze, izmantojot vairāku parādību datus |
| Nosaukums angļu valodā |
Time Series Analysis Using Multi Phenomenon Data |
| Struktūrvienība |
12300 Lietišķo datorsistēmu institūts |
| Darba vadītājs |
Agris Ņikitenko |
| Recenzents |
Aleksejs Jurenoks |
| Anotācija |
Pieaugot datu apjomam, palielinās vajadzība pēc to apstrādes. Liela daļa no
datiem mūsdienās ir laikrindu veidā. Darbā apskatīti dažādi laikrindu analīzes
paņēmieni, to priekšrocības un trūkumi. Viens no laikrindu pielietošanas gadījumiem
ir to izmantošana nākotnes vērtību prognozēšanai vairāku parādību datos.
Akciju tirgus ir viena no nozarēm, kur ir veikti daudz pētījumu, cenšoties
prognozēt nākotnes cenu akcijām, taču pieejamos pētījumos nav viennozīmīgu
rezultātu, kas apliecinātu, ka ir vai nav iespējams prognozēt akcijas cenu ar precizitāti,
kas ļautu pārspēt tirgu.
Tāpēc darbā tika izvirzīts mērķis: noskaidrot, vai un cik lielā mērā sociālos
tīklos pieejamā informācija ietekmē akciju cenu dinamiku.
Tika analizētas 6 akcijas, no kurām trīs bija parastās un trīs “joku” akcijas. Par
prognozēšanas algoritmu tika izvēlēts LSTM tīkls, kas izmantoja gan tehniskos, gan
sentimenta datus klasifikācijas un regresijas modeļa apmācībai. Iegūtie LSTM modeļi
tika salīdzināti ar vienkāršajiem modeļiem.
Darba rezultātā tika secināts, ka sentimenta dati nespēj uzlabot modeļa
precizitāti nedz klasifikācijā, nedz regresijas gadījumā, kā arī LSTM modeļi nespēja
uzrādīt labākus rezultātus kā vienkāršie modeļi, kas apliecina, ka iegūtie modeļi praksē
nav izmantojami. Taču LSTM tīkls ar sentimenta datiem “joku” akcijām uzrādīja
lielāku kļūdu nekā parasto akciju gadījumā, kas liecina, ka, iespējams, sentimenta dati
pagātnē ir saturējuši lietderīgu informāciju, kas palīdzētu prognozēt “joku” akcijas.
Maģistra darbs rakstīts latviešu valodā, tas sastāv no 79 lapām, no kurām 60
lapas ir pamatteksts. Darbā ir iekļautas 6 tabulas, 21 attēls, 12 pielikumi un 67
informācijas avoti. |
| Atslēgas vārdi |
LAIKRINDAS, REKURENTIE NEIRONU TĪKLI, PROGNOZĒŠANA, AKCIJAS |
| Atslēgas vārdi angļu valodā |
TIME SERIES, RECURRENT NEURAL NETWORK, FORECASTING, STOCKS |
| Valoda |
lv |
| Gads |
2022 |
| Darba augšupielādes datums un laiks |
30.05.2022 09:43:54 |
