Innovations in management forecast: Time development of stock prices with neural networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F75081431%3A_____%2F20%3A00001791" target="_blank" >RIV/75081431:_____/20:00001791 - isvavai.cz</a>

Výsledek na webu

<a href="https://mmi.fem.sumdu.edu.ua/sites/default/files/392-2020_Vochozka_et%20al.pdf" target="_blank" >https://mmi.fem.sumdu.edu.ua/sites/default/files/392-2020_Vochozka_et%20al.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Innovations in management forecast: Time development of stock prices with neural networks

Popis výsledku v původním jazyce

This paper aims to innovate the prediction management when predicting the share price development over time by the use of neural networks. For the contribution, the data on the prices of CEZ, a.s. shares obtained from the Prague Stock Exchange database. The stock price data are available for the period 2012-2017. In the case of Statistica software, the multilayer perceptron networks (MLP) and the radial basis function networks (RBF) are generated. Inthe case of Matlab software, the Support Vector Regression (SVR) and the Back-Propagation Neural Network (BPNN) are generated. The networks with the best characteristics are retained and based on the statistical interpretation of the results, and all are applicable in practice.

Název v anglickém jazyce

Innovations in management forecast: Time development of stock prices with neural networks

Popis výsledku anglicky

This paper aims to innovate the prediction management when predicting the share price development over time by the use of neural networks. For the contribution, the data on the prices of CEZ, a.s. shares obtained from the Prague Stock Exchange database. The stock price data are available for the period 2012-2017. In the case of Statistica software, the multilayer perceptron networks (MLP) and the radial basis function networks (RBF) are generated. Inthe case of Matlab software, the Support Vector Regression (SVR) and the Back-Propagation Neural Network (BPNN) are generated. The networks with the best characteristics are retained and based on the statistical interpretation of the results, and all are applicable in practice.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

50200 - Economics and Business

Projekt

—

Návaznosti

N - Vyzkumna aktivita podporovana z neverejnych zdroju

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Marketing and Management of Innovations

ISSN

2218-4511

e-ISSN

—

Svazek periodika

2020

Číslo periodika v rámci svazku

2

Stát vydavatele periodika

UA - Ukrajina

Počet stran výsledku

16

Strana od-do

324-339

Kód UT WoS článku

000545377200024

EID výsledku v databázi Scopus

—