III. 2. Forecasting exchange rates - bonus: neural networks; d.) futures markets

Zhrnutie prednášky

Prednáška stručne zopakovala predchádzajúce metódy prognózovania výmenných kurzov: trendovú prognózu, simulácie scenárov, modely typu GARCH pre volatilitu a vektorové autoregresné modely s požiadavkou normálneho rozdelenia a nekorelovaných rezíduí, pričom kvalitu modelu posudzujú informačné kritériá. Hlavnou témou sú neurónové siete ako nový nástroj na prognózovanie časových radov a súvislosť s big data, ilustrovaná príkladom banky a analýzy klientov v dlhu. Neurónová sieť sa učí podobne ako cvičenie psa pozitívnou spätnou väzbou, no na rozdiel od regresie nedáva interpretovateľné koeficienty. Postup v MATLABe zahŕňa prípravu dát, definovanie siete, trénovanie, validáciu a štandardizáciu vstupov. Na záver sa prednáška dotkla futures trhov, ktorých ceny závisia od trhových očakávaní pre jednotlivé dodacie termíny.

• - Predchádzajúce metódy: trendová prognóza, simulácie scenárov, GARCH modely volatility a VAR modely s požiadavkou normality a absencie autokorelácie rezíduí.
• - Informačné kritériá slúžia na výber najlepšieho modelu; hľadá sa ich najmenšia hodnota.
• - Neurónové siete súvisia s big data a zvládajú veľké databázy bez nutnosti redukcie vzorky.
• - Nevýhodou neurónových sietí je neprehľadnosť, pretože nedávajú interpretovateľné koeficienty ani významnosť premenných.
• - Učenie siete je prirovnané k výcviku psa pozitívnou spätnou väzbou; techniky zahŕňajú učenie s učiteľom, klasifikáciu, regresiu a zhlukovanie.
• - Postup v MATLABe: príprava dát, definícia siete, trénovanie, validácia a nasadenie, pričom vstupy sa štandardizujú (odpočítanie priemeru a delenie smerodajnou odchýlkou).
• - Ceny na futures trhu nie sú konštantné a závisia od trhových očakávaní pre dodávky v jednotlivých mesiacoch.

Zhrnutie pripravené s pomocou AI z prepisu videa.