Koneoppimisen käyttö markkinoiden ennustamisessa
Ahlroos, Juuso (2019)
Kandidaatintyö
2019
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe202001081527
https://urn.fi/URN:NBN:fi-fe202001081527
Tiivistelmä
Työ selvittää, pystyykö osakemarkkinoita mallintamaan koneoppimisen avulla. Työssä käydään läpi yleisimmät algoritmit ja niiden toimintaperiaatteet, sekä mallintamisessa käytettyjä muuttujia. Työ on kirjallisuuskatsaus.
Osakemarkkinoiden ennustaminen on kiinnostanut akateemikkoja ja alalla työskenteleviä ihmisiä jo pitkään. Markkinoiden voittamiseen sovelletaankin yhä hienostuneempia menetelmiä ja uusien, toimivien mallien, löytämiseksi on käytettävä yhä enemmän aikaa. Koska osakemarkkinat on monisyinen ongelma, koneiden käyttö mahdollistaa erilaisten syy-seuraussuhteiden tunnistamisen.
Tietokoneiden kehittynyt laskentateho, internetin mahdollistama datan keräys ja edistykset algoritmeissa ovat luoneet pohjan koneoppimisen hyödyntämiseen useissa erilaisissa ongelmissa. Koneoppimisen avulla voidaan löytää datasta yhteyksiä, joita ihminen ei pystyisi mitenkään havaitsemaan. Koneoppimisen käyttö vaatii kuitenkin datan sekä algoritmien tarkkaa valitsemista, datan esikäsittelyä ja parametrien muokkausta. Tämä johtaa siihen, että mahdollisia malleja on tarjolla lähes rajattomasti. Parhaan mallin löytäminen ei siis ole helppoa, ja sen eteen on tehtävä paljon vertailua. Tässä työssä pyritään selvittämään kuinka hyvin mallit voivat suoriutua ja kehittämään perusteet hyvän mallin luomiseksi, sekä mallien vertailuksi.
Osakemarkkinoiden ennustaminen on kiinnostanut akateemikkoja ja alalla työskenteleviä ihmisiä jo pitkään. Markkinoiden voittamiseen sovelletaankin yhä hienostuneempia menetelmiä ja uusien, toimivien mallien, löytämiseksi on käytettävä yhä enemmän aikaa. Koska osakemarkkinat on monisyinen ongelma, koneiden käyttö mahdollistaa erilaisten syy-seuraussuhteiden tunnistamisen.
Tietokoneiden kehittynyt laskentateho, internetin mahdollistama datan keräys ja edistykset algoritmeissa ovat luoneet pohjan koneoppimisen hyödyntämiseen useissa erilaisissa ongelmissa. Koneoppimisen avulla voidaan löytää datasta yhteyksiä, joita ihminen ei pystyisi mitenkään havaitsemaan. Koneoppimisen käyttö vaatii kuitenkin datan sekä algoritmien tarkkaa valitsemista, datan esikäsittelyä ja parametrien muokkausta. Tämä johtaa siihen, että mahdollisia malleja on tarjolla lähes rajattomasti. Parhaan mallin löytäminen ei siis ole helppoa, ja sen eteen on tehtävä paljon vertailua. Tässä työssä pyritään selvittämään kuinka hyvin mallit voivat suoriutua ja kehittämään perusteet hyvän mallin luomiseksi, sekä mallien vertailuksi.