Oceňování 2021, 14(4):53-66 | DOI: 10.18267/j.ocenovani.270

Může být strojové učení užitečné ve financích podniku a jeho ocenění? Přehled současného výzkumu

Veronika Staňková
Ing. Veronika Staňková, doktorand, Katedra financí a oceňování podniku, Fakulta financí a účetnictví, Vysoká škola ekonomická v Praze

Predikce finančních časových řad je v centru zájmu vědeckého výzkumu po dlouhou dobu. Nedávno se k tomu přidaly široké možnosti aplikovat metody strojového učení. V současné době se publikuje tak velké množství vědeckých článků v oblasti aplikace strojového učení ve financích, že je velmi obtížné se v nich zorientovat. Cíl tohoto článku je poskytnout základní přehled o tom, jaký je současný stav poznání v této oblasti, konkrétně pro finance podniku a jeho ocenění, a pomoci se zorientovat v metodách strojového učení těm, kteří se doposud strojovým učením nezabývali.

Klíčová slova: Strojové učení; Hluboké učení; Finance; Akcie
Granty a financováni:

Článek je zpracován jako jeden z výstupů výzkumného projektu IG104020, který je realizován na Fakultě financí a účetnictví VŠE Praha.

JEL classification: G12

Zveřejněno: 20. duben 2022  Zobrazit citaci

ACS AIP APA ASA Harvard Chicago Chicago Notes IEEE ISO690 MLA NLM Turabian Vancouver
Staňková, V. (2021). Může být strojové učení užitečné ve financích podniku a jeho ocenění? Přehled současného výzkumu. Oceňování, 14(4), 53-66. doi: 10.18267/j.ocenovani.270
Sdílet...
Stáhnout citaci
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Zobrazit celý článek

    Reference

    1. Buczynski, W., Cuzzolin, F., a Sahakian, B. (2021): A review of machine learning experiments in equity investment decision-making: why most published research findings do not live up to their promise in real life. International Journal of Data Science and Analytics (11), P. 221-242. https://doi.org/10.1007/s41060-021-00245-5 Přejít k původnímu zdroji...
    2. Durairaj, M., & Mohan, B. K. (2019): A Review of Two Decades of Deep Learning Hybrids for Financial Time Series Prediction. International Journal on Emerging Technologies, 10(3), p. 324-331.
    3. Ferreira, F. G., Gandomi, A. H., a Cardoso, R. T. (2021): Artificial intelligence applied to stock market trading: A review. IEEE Access, 9, 30898-30917. Přejít k původnímu zdroji...
    4. Ghoddusi, H., Creamer, G. G. a Rafizadeh, N. (2019): Machine Learning in Energy Economics and Finance: A Review. Energy Economics, 81. Preprint. P 1-72 https://doi.org/10.1016/j.eneco.2019.05.006 Přejít k původnímu zdroji...
    5. Hastie, T., Tibshirani, R. and Friedman, J. (2001): The Elements of Statistical Learning, Data Mining, Inference, and Prediction. Springer, New York. ISBN 0-387-95284-5 Přejít k původnímu zdroji...
    6. Huang, J., Chai, J., a Cho, S. (2020): Deep learning in finance a banking: A literature review and classification. Frontiers of Business Research in China, 14:13, p. 1-24. https://doi.org/10.1186/s11782-020-00082-6 Přejít k původnímu zdroji...
    7. Jiang, W. (2021): Applications of deep learning in stock market prediction: recent progress. Expert Systems with Applications, 184: 115537. Preprint. P. 1-97. https://doi.org/10.1016/j.eswa.2021.115537 Přejít k původnímu zdroji...
    8. Kuizinienė, D., a Krilavičius, T. (2020): Deep learning methods application in finance: a review of state of art. In CEUR Workshop proceedings [electronic resource]: IVUS 2020, Information society a university studies, Kaunas, Lithuania, 23 April, 2020: proceedings. Aachen: CEUR-WS, 2020, Vol. 2698. p. 59-69.
    9. Mueller, J. P., & Massaron, L. (2016): Machine Learning for dummies. John Wiley & Sons, New Jersey. P. 410. ISBN 978-1-119-24551-3
    10. Müller, A. C., and Guido, S. (2016): Introduction to Machine Learning with Python: A Guide for Data Scientists, O'Reilly Media, Incorporated. ISBN 978-1-449-36941-5
    11. Ozbayoglu, A. M., Gudelek, M. U., a Sezer, O. B. (2020): Deep learning for financial applications: A survey. Applied Soft Computing, 93, 106384. Preprint. P. 1-52. https://doi.org/10.1016/j.asoc.2020.106384 Přejít k původnímu zdroji...
    12. Rundo, F., Trenta, F., Luigi di Stallo, A. a Battiato, S. (2019): Machine Learning for Quantitative Finance Applications: A Survey. Applied Sciences, 9(24), 5574. p. 1-20. https://doi.org/10.3390/app9245574 Přejít k původnímu zdroji...
    13. Sellhorn, T., (2020): Machine Learning und empirische Rechnungslegungsforschung: Einige Erkenntnisse und offene Fragen. Schmalenbachs Z betriebswirtsch Forsch 72, 49-69. https://doi.org/10.1007/s41471-020-00086-1 Přejít k původnímu zdroji...
    14. Sezer, O. B., Gudelek, M. U., a Ozbayoglu, A. M. (2019): Financial time series forecasting with deep learning: A systematic literature review: 2005-2019. Applied Soft Computing, 90, 106181. p. 1-63. Preprint. arXiv preprint arXiv:1911.13288. Přejít k původnímu zdroji...
    15. Shah, D., Isah, H., a Zulkernine, F. (2019): Stock market analysis: A review and taxonomy of prediction techniques. International Journal of Financial Studies, 7(2), 26. p. 1-21. https://doi.org/10.3390/ijfs7020026 Přejít k původnímu zdroji...
    16. Singh, N.P., Som, B.K., Komalavalli, C. a Goel, H. (2021): A Meta-Analysis of the Application of Artificial Neural Networks in Accounting a Finance. SCMS Journal of Indian Management, 18(1), pp. 5-21.
    17. Vachhani, H., Obiadat, M. S., Thakkar, A., Shah, V., Sojitra, R., Bhatia, J., & Tanwar, S. (2019): Machine learning based stock market analysis: A short survey. In International Conference on Innovative Data Communication Technologies a Application. Springer, Cham. P. 12-26. Přejít k původnímu zdroji...
    18. Warin, T. a Stojkov, A. (2021): Machine Learning in Finance: A Metadata-Based Systematic Review of the Literature. Journal of Risk a Financial Management 14, no. 7: 302. P. 1-31. https://doi.org/10.3390/jrfm14070302 Přejít k původnímu zdroji...

    Tento článek je publikován v režimu tzv. otevřeného přístupu k vědeckým informacím (Open Access), který je distribuován pod licencí Creative Commons Attribution 4.0 International License (CC BY 4.0), která umožňuje distribuci, reprodukci a změny, pokud je původní dílo řádně ocitováno. Není povolena distribuce, reprodukce nebo změna, která není v souladu s podmínkami této licence.


    Zpět na obsah