Neuroverkkojen hyödyntäminen osakemarkkinoiden hintakehityksen analysoinnissa

Abstract

Tässä kandidaatintyössä tutkitaan neuroverkkojen hyödyntämistä osakemarkkinoiden analysoinnissa ja pyritään ennustamaan osakkeille tulevaisuuden hintoja. Tutkimus toteutettiin tutustumalla ensin neuroverkkojen teoriaan ja näin selvittämällä niiden hyödyt ja mahdollisuudet osamarkkinoiden ennustamisessa. Kirjallisuuskatsauksessa käytiin läpi tarkemmin myös Multilayer perceptron neural networkia (MLP) ja Nonlinear Artificial neural networkia (NAR). Tässä tutkimuksessa tutkittiin myös neuroverkon toimintaa rakentamalla NAR-neuroverkko MATLAB tietokoneohjelmistolla ja näin ennustettiin neljän suomalaisen teollisuusalan yrityksen osakkeiden tulevia hintoja (Kone Oyj, Ponsse Oyj, Valmet Oyj ja Wärtsilä OyJ Abp) perustuen niiden historialliseen kurssikehitykseen. Tutkimus on toteutettu kvantitatiivisena eli määrällisenä tutkimuksena. Tutkimus osoittaa, että neuroverkot soveltuvat osakemarkkinoiden ja osakkeiden hintojen ennustamiseen, mutta vaativuuden ja suuren vaadittavan laskentatehon takia tämä ei välttämättä ole tehokkain tapa ennustaa hintoja ja tehokkaampia tapoja voidaan käyttää.

This bachelor's thesis examines the utilization of neural networks in stock market analysis and seeks to predict future prices for stocks. The research was carried out by first getting acquainted with the theory of neural networks and thus finding out their benefits and possibilities in predicting the stock market. The Multilayer Perceptron neural network and the Nonlinear Artificial neural network were also reviewed in more detail in the literature review. This study also examined the operation of the neural network by building the NAR neural network with MATLAB computer software and thus predicted the future prices of shares of 4 industrial companies.

The study has been carried out as a quantitative study. The research material was collected from the historical share price data of four selected companies (Kone Oyj, Ponsse Oyj, Valmet Oyj and Wärtsilä Oyj Abp).

The study found that neural networks are suitable for forecasting stock markets and stock prices, but due to the complexity and computational power required, this is not the most efficient way to forecast prices.