Laika rindu analīzes metodes akciju cenu prognozēšanā
Autor
Ļitvinskis, Mihails
Co-author
Latvijas Universitāte. Biznesa, vadības un ekonomikas fakultāte
Advisor
Freimane, Rita
Datum
2020Metadata
Zur LanganzeigeZusammenfassung
Bakalaura darba mērķis izpētīt laika rindu analīzes metožu pielietojuma iespējas akciju cenu analīzē un prognozēšanā, kā arī novērtēt dažāda veida modeļu izmantošanas potenciālu konkrēta uzņēmuma akciju cenu prognozēšanā. Darbā sniegts laika rindu analīzes un prognozēšanas metožu pārskats, laika rindu prognozēšanas problēmu situāciju izpēte. Apskatītās metodes kā ARIMA, ARIMAX, SARIMAX un VAR tika pielietotas uzņēmuma Volkswagen akciju cenu prognozēšanā, izmantojot datus par 2009. – 2019. gadu laika periodu. Lai ņemtu vērā kopējā tirgus tendences, modeļi tika papildināti ar diviem eksogēniem mainīgiem – uzņēmuma Porsche un uzņēmuma BMW akciju cenām par iepriekš minēto periodu. Prognozēšanas precizitāte tika novērtēta, nosakot vidējās absolūtās procentuālās kļūdas. Rezultāti liecina, ka neviens no apskatītiem modeļiem bez papildus uzlabojumiem nespēj radīt prognozes, kuru vidējā absolūtā procentuāla kļūda būtu mazāka par 6.5%. Prognozes ar vismazāko vidējo absolūto procentuālo kļūdu tika iegūtas ar modeli SARIMAX. Tika konstatēts, ka neviens no apskatītājiem modeļiem nav pietiekami labs, lai efektīvi prognozētu nākotnes vērtības izvelētajām akcijām. Tas varētu liecināt, par nepieciešamību laika rindu modeļus papildināt ar kvalitatīvas informācijas rādītājiem par izmaiņām tirgū (piemēram, izmaiņas produkta pieprasījumā, klientu pirktspējā, kopējās tirgus situācijas izmaiņām, par uzņēmuma darbības izmaiņām – inovācijas, jauni noieta tirgi, jaunu ražotņu atvēršana utml.) The purpose of this bachelor thesis is to research possibilities of the applications of time series analysis methods for stock price analysis and forecasting, as well as to evaluate the potential for using different models by forecasting a specific company’s stock prices. The work provides an overview of times series analysis and forecasting methods and review of common issues in time series forecasting. The methods reviewed, such as ARIMA, ARIMAX, SARIMAX and VAR, where applied in forecasting Volkswagen stock prices exploring the data for a time period from year 2009 to year 2019. In order to take into account market trends, models where adjusted and supplemented with two exogenous variables – company’s Porsche and company’s BMW stock prices for the above-mentioned period. The accuracy of the forecasts was assessed by calculating the mean average percentage error. Results show that none of the reviewed models was able to show forecasting precision of less than 6.5% in absolute value without additional improvements. Forecast with the lowest mean absolute percentage error was produced by the model SARIMAX. It was concluded that none of the models considered was good enough to achieve an effective forecast of the future value of the selected stocks. This could mean, that it is necessary to supplement time series models with parameters representing qualitive information about market changes (e.g. changes in product demand, customers’ purchasing power, general market conditions, as well as operational changes – inovations new markets, new production facilities, etc.)