Prognozowanie indeksu giełdowego WIG za pomocą sieci neuronowych

Abstract

Praca podejmuje problematykę prognozowania indeksu giełdowego WIG za pomocą sieci neuronowych. W szczególności porównuje metody statystyczne klasy ARIMA z sieciami LSTM. Przeprowadzone badania mają na celu zmierzenie efektywności predykcji oraz porównanie jakości prognoz pochodzących z różnych klas modeli. Oczekiwane jest, iż sieci neuronowe jako narzędzie nowsze okaże się lepsze jakościowo. Analiza pokazuje, że w praktyce sieci neuronowe radzą sobie lepiej z tym problemem, co prowadzi do wniosku, że jako narzędzie nowsze są odpowiedniejsze do tej klasy problemów predykcji danych. Problem jest ważny z ekonomicznego punktu widzenia, ponieważ indeks WIG jest istotnym wskaźnikiem dla wielu inwestorów i stanowi punkt wyjścia porównania instrumentów finansowych. Z tego punktu widzenia jakość prognozy oraz jak największa moc predykcyjna jest istotna.