Neuro-Fuzzy alapú mutatószámhalmaz kialakítása az autóipar tőzsdei előrejelzéseihez
Elmentve itt :
| Szerző: | |
|---|---|
| További közreműködők: | |
| Dokumentumtípus: | TDK dolgozat |
| Kulcsszavak: | autóipar mesterséges intelligencia tőzsde tőzsdeelemzés tőzsdei árfolyammozgások |
| Online Access: | http://dolgozattar.uni-bge.hu/57981 |
MARC
| LEADER | 00000nta a2200000 i 4500 | ||
|---|---|---|---|
| 001 | dolg57981 | ||
| 005 | 20250923115745.0 | ||
| 008 | 250923suuuu hu o 000 hun d | ||
| 040 | |a BGE Dolgozattár Repozitórium |b hun | ||
| 041 | |a hu | ||
| 100 | 1 | |a Szabó Tamás | |
| 245 | 1 | 0 | |a Neuro-Fuzzy alapú mutatószámhalmaz kialakítása az autóipar tőzsdei előrejelzéseihez |c Szabó Tamás |h [elektronikus dokumentum] |
| 516 | |a Students_Scientific_Association_paper | ||
| 520 | 3 | |a A kutatás arra kereste a választ, hogy mely pénzügyi mutatószámok a legalkalmasabbak az autóipar részvényárfolyamainak előrejelzésére. A cél annak meghatározása volt, hogy mely indikátorok gyakorolnak szignifikáns hatást az árfolyamokra és ezek közül melyek azok, amelyek leginkább felhasználhatók mesterséges intelligencia alapú kereskedési rendszerekben, az előrejelzések pontosságának növelése érdekében. Az autóipar kiválasztása különösen indokolt, mivel ez az iparág jelentős gazdasági hatással bír és az előrejelzési modellek megbízhatósága közvetlenül hozzájárulhat a befektetési hajlandóság növeléséhez. A kutatás eredményei túlmutatnak az autóiparon és más iparágakban is alkalmazhatóvá válhatnak, lehetővé téve iparág-specifikus, integrált elemzéseket. A kutatás több szakaszban zajlott. Elsőként mélyinterjúkat készítettem pénzügyi szakértőkkel hogy meghatározzam a releváns pénzügyi mutatószámokat. Ezt követte a szakirodalmi áttekintés, amely a kezdeti eredmények megerősítésére és a mutatók finomítására szolgált. Az adatgyűjtés során autóipari vállalatok éves beszámolóit és tőzsdei adatait elemeztem. Ezek alapján egy ANFIS (Adaptive Neuro-Fuzzy Inference System) modellt építettem, amely segített feltárni a pénzügyi mutatók és az árfolyamok közötti nemlineáris kapcsolatokat. Az elemzés során egyesével eltávolítottam a mutatókat, hogy mérjem hatásukat az előrejelzés pontosságára. Az eredmények megbízhatóságát RMSE és nRMSE mutatók, valamint konfidencia intervallumok alapján értékeltem. A kutatás eredményei egyértelműen rámutattak, hogy a ROA (Eszközarányos nyereség) a legfontosabb pénzügyi mutatószám az autóipari részvényárfolyamok előrejelzése során. A ROA eltávolítása a modellből a legnagyobb pontosságromlást eredményezte, ami azt mutatja, hogy az eszközök hatékony kihasználása kritikus szerepet játszik a részvényárak előrejelezhetőségében. A ROE (Saját tőke arányos nyereség) a második legfontosabb mutatóként szerepelt, amely szintén jelentős hatással volt a modell pontosságára. Az EPS (Egy részvényre jutó nyereség) és különösen a PM (Nettó haszonkulcs) kevésbé befolyásolták az előrejelzést, eltávolításuk csak minimális hatást gyakorolt a modell teljesítményére. | |
| 695 | |a autóipar | ||
| 695 | |a mesterséges intelligencia | ||
| 695 | |a tőzsde | ||
| 695 | |a tőzsdeelemzés | ||
| 695 | |a tőzsdei árfolyammozgások | ||
| 700 | 1 | |a Dr. Gáspár Sándor |e ths | |
| 700 | 1 | |a Hegedűs Dr. Szilárd |e ths | |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/57981/1/Szab%C3%B3_Tam%C3%A1s_PSZK.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/57981/2/Szab%C3%B3_Tam%C3%A1s_08_BGE%20TDK_Szerz%C5%91i%20hozz%C3%A1j%C3%A1rul%C3%A1s%20nyilatkozat%202024.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/57981/3/Szab%C3%B3_Tam%C3%A1s_PSZK.docx |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/57981/4/Dolgozat_biralati_lap_2024_Szab%C3%B3%20Tam%C3%A1s.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/57981/5/SZAB%C3%93%20TAM%C3%81S%20biralat.pdf |z Dokumentum-elérés |