High frequency time series forecasting with an application to stock market prediction

Forecasting a stock price has been regarded as one of the most challenging applications of modern time series forecasting for many reasons: to yield significant profits for stock exchange investments on the one hand, and to refute the Efficient Market Hypothesis on the other hand. This work has for goal to compare different models for financial time series forecasting in the more specific field of high frequency data taken from the intraday French stock market “CAC 40”. Ten various companies stocks were used to match the prediction performances of linear time series models, non-linear time series models and the neural networks as a machine learning.

Prevedere il valore di un titolo azionario è diventato una delle più grandi applicazioni nell’ambito della previsione delle serie storiche moderne per numerose ragioni: ottenere importanti profitti in primo luogo e rifiutare l’ipotesi dell’efficienza del mercato finanziario in secondo luogo. Questa tesi di laurea ha per obiettivo il confronto di diversi modelli per la previsione di serie storiche finanziarie e in particolare nell’ambito di dati ad alta frequenza relativi al mercato francese “CAC 40”. Dieci diversi titoli di aziende sono stati usati per confrontare le previsioni di modelli lineari, di modelli non lineari e di reti neurali usati come apprendimento automatico supervisionato, valutandone le performance.