Detailansicht

Data Mining Methods in Financial Time-Series Forecasting
Valeriya Kolesnikova
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Quantitative Economics, Management and Finance
Betreuer*in
Erhard Reschenhofer
Volltext herunterladen
Volltext in Browser öffnen
Alle Rechte vorbehalten / All rights reserved
DOI
10.25365/thesis.50153
URN
urn:nbn:at:at-ubw:1-23066.66742.799469-1
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract
(Deutsch)
Zeitgenössische Finanzmärkte bieten einen beträchtlichen monetären Anreiz für viele Agenten, sich an anspruchsvollen Aktienhandelsaktivitäten zu beteiligen. Daher wurden massive wissenschaftliche und technische Anstrengungen unternommen, um Zeitreihenvorhersagemethoden zu entwickeln. Infolgedessen sind die Aktienmärkte sehr effizient und es ist problematisch, daraus Einnahmen zu erzielen. Mit der letzteren Entwicklung moderner maschineller Lernmethoden und dem Aufkommen leistungsfähiger und zugänglicher Hardware wurde es jedoch möglich, eine grosse Menge von Aktiendaten zu analysieren, nach komplexen Verhaltensmustern in Preisen zu suchen, und damit die Effizienz der aktuellen Finanzmärkte in Frage zu stellen. In dieser Arbeit wenden wir drei moderne Methoden des maschinellen Lernens an, um Aktienkurse anhand historischer Informationen aus dem Orderbuch zu analysieren. Wir zeigen, dass Aktienkurse Verhaltensmuster haben, und es erlaubt uns, die Richtung von großen Preisschwankungen mit Genauigkeit, die signifikant besser ist als die Leistung eines Zufallsmodells, vorherzusagen. Wir diskutieren auch, ob unser Modell für die Erzielung von Einnahmen aus den Finanzmärkten genutzt werden kann und welche potenziellen Hindernisse dafür bestehen.
Abstract
(Englisch)
Contemporary financial markets provide substantial monetary incentive for many agents to engage in sophisticated trading activity. Thus, massive scientific and engineering efforts towards developing time series prediction methods have been made. As a result, stock markets are highly efficient and extracting revenue from them is problematic. However, with recent development of modern machine learning techniques and emergence of powerful and accessible hardware it became possible to analyze vast amounts of stock data and search for complex price behavioural patterns and, thus, to challenge efficiency of the current financial markets. In this work we apply three modern machine learning methods in order to analyze stock prices using historical information from the limit order book. We demonstrate that stock prices have behavioural patterns, and it allows us to predict the direction of large price fluctuations with accuracy, which is significantly better than performance of a random model. We also discuss whether our model can be used for extracting revenue from the financial markets and what are potential obstacles for that.

Schlagwörter

Schlagwörter
(Englisch)
Financial time-series forecasting data mining
Schlagwörter
(Deutsch)
Finanzzeitreihen-Prognose Data Mining
Autor*innen
Valeriya Kolesnikova
Haupttitel (Englisch)
Data Mining Methods in Financial Time-Series Forecasting
Paralleltitel (Deutsch)
Data Mining-Methoden in der Finanzzeitreihen-Prognose
Publikationsjahr
2017
Umfangsangabe
40 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Erhard Reschenhofer
Klassifikation
85 Betriebswirtschaft > 85.30 Investition, Finanzierung
AC Nummer
AC14521504
Utheses ID
44348
Studienkennzahl
UA | 066 | 920 | |
Universität Wien, Universitätsbibliothek, 1010 Wien, Universitätsring 1