Forecasting financial time series is a difficult economic and commercial challenge. Non-linear data elements and uncertainty add great complexity to market dynamics. It fluctuates irregularly between high and low values.This thesis deals with forecasting future prices based on past univariate closing prices from the S&P 500, SSE and FTSE 100 indices using two methods: a classical method, a seasonal ARIMA model and a hybrid ARIMA-GARCH- model and an LSTM neural network .The forecast horizons for which each technique is effective vary. The LSTM model and the hybrid ARIMA-GARCH model outperformed the SARIMA model in the experiments. The mean absolute error (MAE) and root mean square error (RMSE) were used to evaluate the accuracy of the model.
Η πρόβλεψη χρηματοοικονομικών χρονοσειρών αποτελεί μια δύσκολη οικονομική και εμπορική πρόκληση. Τα μη γραμμικά στοιχεία δεδομένων και η αβεβαιότητα προσθέτουν μεγάλη πολυπλοκότητα στη δυναμική της αγοράς. Αυτή κυμαίνεται ακανόνιστα μεταξύ υψηλών και χαμηλών τιμών. Η παρούσα πτυχιακή εργασία πραγματεύεται την πρόβλεψη μελλοντικών τιμών με βάση παρελθούσες μονομεταβλητές τιμές κλεισίματος από τους δείκτες S&P 500, SSE και FTSE 100 χρησιμοποιώντας δύο μεθόδους: μια κλασική μέθοδο, ένα εποχιακό μοντέλο ARIMA και ένα υβριδικό μοντέλο ARIMA-GARCH- και ένα νευρωνικό δίκτυο LSTM. Οι ορίζοντες πρόβλεψης για τους οποίους κάθε τεχνική είναι αποτελεσματική ποικίλλουν. Το μοντέλο LSTM και το υβριδικό μοντέλο ARIMA-GARCH υπερέβησαν το μοντέλο SARIMA στα πειράματα. Το μέσο απόλυτο σφάλμα (MAE) και το μέσο τετραγωνικό σφάλμα (RMSE) χρησιμοποιήθηκαν για την αξιολόγηση της ακρίβειας του μοντέλου.
University of Patras
