Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
The accuracy of the LSTM model for predicting the S&P 500 index and the difference between prediction and backtesting
KTH, Skolan för elektroteknik och datavetenskap (EECS).
KTH, Skolan för elektroteknik och datavetenskap (EECS).
2018 (Engelska)Självständigt arbete på grundnivå (kandidatexamen), 10 poäng / 15 hpStudentuppsats (Examensarbete)Alternativ titel
Med hur stor noggrannhet kan man med en LSTM-model förutsäga S&P 500 index och skillnaden mellan förutsägelse och backtesting (Svenska)
Abstract [en]

In this paper the question of the accuracy of the LSTM algorithm for predicting stock prices is being researched. The LSTM algorithm is a form of deep learning algorithm. The algorithm takes in a set of data as inputs and finds a pattern to dissolve an output. Our results point to that using backtesting as the sole method to verify the accuracy of a model can fallible. For the future, researchers should take a fresh approach by using real-time testing. We completed this by letting the algorithm make predictions on future data. For the accuracy of the model we reached the conclusion that having more parameters improves accuracy.

Abstract [sv]

I detta arbete forskas det kring hur bra prognoser man kan ge genom att använda sig av LSTM algoritmen för att förutspå aktiekurser. LSTM-algoritmen är en form av djupinlärnigsmetod, där man ger algoritmen en del typer av data som input och hittar ett mönster i datan vilket ger ett resultat. I vårt resultat kom vi fram till man ej ska förlita sig på backtesting för att verifiera sina resultat utan även använda modellen till att göra prognoser på framtida data. Vi kan även tillägga att tillförlitlighet ökar om man använder sig av flera faktorer i modellen.

Ort, förlag, år, upplaga, sidor
2018.
Serie
TRITA-EECS-EX ; 2018:235
Nationell ämneskategori
Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:kth:diva-229415OAI: oai:DiVA.org:kth-229415DiVA, id: diva2:1213449
Handledare
Examinatorer
Tillgänglig från: 2018-08-23 Skapad: 2018-06-04 Senast uppdaterad: 2018-08-23Bibliografiskt granskad

Open Access i DiVA

fulltext(2169 kB)1730 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 2169 kBChecksumma SHA-512
5dd629685707ea6a3e337ae9ca5568e217df744012f21b040e5801bb07d9ad719699de20b732b0041263db6a1eb6386c0e8483d7beb07c6ea7b41e850dea280c
Typ fulltextMimetyp application/pdf

Av organisationen
Skolan för elektroteknik och datavetenskap (EECS)
Datavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 1730 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 894 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf