Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Tidsserie regression på finansmarknaden
KTH, School of Engineering Sciences (SCI).
KTH, School of Engineering Sciences (SCI).
2019 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Time Series Regression on Financial Market (English)
Abstract [sv]

I den här rapporten studerar vi prestanda för två maskininlärningsalgoritmer när de implementeras för prisförutsättningar på den svenska elmarknaden. Målet med detta projekt är att utvärdera om dessa algoritmer kan användas som verktyg för investeringar. Algoritmerna är Kernel Ridge Regression (KRR) och Support Vector Regression (SVR). Både KRR och SVR använder kernel trick för att effektivt hitta olinjära beroende på den volatila marknaden. Metoderna används båda med ett offline-tillvägagångssätt. För Kernel Ridge Regression, genomfördes också en online-approach using Stochastic Gradient Descent (SGD) för att minska beräkningskostnaden. Båda algoritmerna tillämpas på den svenska elmarknaden för år 2017, med hjälp av programmeringsmiljön Matlab. För att utvärdera algoritmens prestanda beräknades det genomsnittliga absoluta procentsatsfelet (MAPE), rotenhetens kvadratfel (RMSE) och det genomsnittliga absolutvärdet (MAE). Slutsatserna av detta projekt är att båda metoderna visar potential att användas i finansiella tidsserier förutsägelser. De presenterade implementationerna behöver dock vissa förbättringar. Exempel på möjliga sätt att raffinera de resultat som uppnåtts i detta projekt diskuteras, med idéer avlägsna implementeringar.

 

Abstract [en]

In this report, we study the performance of two machine learning algorithms when implemented for price predictions on the Swedish electricity market. The goal of this project is to evaluate if these algorithms can be used as a tool for investments. The algorithms are Kernel Ridge Regression (KRR), and Support Vector Regression (SVR). Both KRR and SVR use the kernel trick to efficiently find non-linear dependencies in the volatile market. The methods are both used with an offline approach. For the Kernel Ridge Regression, an online approach using Stochastic Gradient Descent (SGD) to reduce the computational cost was also implemented. Both algorithms are applied to the Swedish electricity market for the year 2017, using the programming environment Matlab. To evaluate the performance of the algorithms the mean absolute percentage error (MAPE), the root mean squared error (RMSE), and the mean absolute error (MAE) were calculated. The conclusions of this project are that both methods show potential for being used in financial time series predictions. The presented implementations, however, are in need of some refinements. Examples of possible ways to refine the results obtained in this project are discussed, with ideas of future implementations.

Place, publisher, year, edition, pages
2019.
Series
TRITA-SCI-GRU ; 2019:235
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-255797OAI: oai:DiVA.org:kth-255797DiVA, id: diva2:1341562
Supervisors
Examiners
Available from: 2019-08-09 Created: 2019-08-09 Last updated: 2019-08-09Bibliographically approved

Open Access in DiVA

fulltext(380 kB)5 downloads
File information
File name FULLTEXT01.pdfFile size 380 kBChecksum SHA-512
2c57590d64fc8883268bb01cc6c1f9cac7eb5f487c56b4b591251ece46f812e3e439551cbb71a04f2b83dbf0846add3500c1bcf961f8d328514f9afe31197b9b
Type fulltextMimetype application/pdf

By organisation
School of Engineering Sciences (SCI)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 5 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 17 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf