Praca licencjacka
Ładowanie...
Miniatura
Licencja

ClosedAccessDostęp zamknięty

Stock market anomaly detection by Machine Learning algorithms on the Warsaw Stock Exchange

Autor
Kłonica Weronika
Data
Abstrakt (PL)

Niniejsza praca bada, czy anomalie na rynku akcji wykazują cechy specyficzne dla poszczególnych sektorów oraz czy dostarczają one dowodów o różnej sile przeciwko hipotezie rynku efektywnego. Badanie oparto na danych o wysokiej częstotliwości dotyczących cen i wolumenu obrotu na Giełdzie Papierów Wartościowych w Warszawie (GPW). Do wykrywania anomalii wykorzystano szereg algorytmów uczenia maszynowego w ramach niekonwencjonalnej metodologii, nie uwzględniającej bezpośrednio zewnętrznych zdarzeń rynkowych. Ponadto przeprowadzono bardziej szczegółową analizę z zastosowaniem transformacji wskaźnika anomalii (anomaly score). Wybrane sektory GPW, reprezentowane przez odpowiadające im indeksy, poddano odrębnej analizie, a następnie porównano pod kątem miar statystycznych, liczby i struktury anomalii oraz korelacji między pochodnymi wskaźnika anomalii. Uzyskane wyniki ujawniły zróżnicowane wzorce w poszczególnych sektorach, co wskazuje na istotność klasyfikacji sektorowej w kontekście anomalii rynkowych oraz sugeruje, że stopień potencjalnych odchyleń od efektywności rynku może różnić się w zależności od sektora. Ze względu na ograniczenia przyjętej metodologii wyniki te należy jednak interpretować z ostrożnością.

Abstrakt (EN)

This thesis investigates whether anomalies in the stock market exhibit sector-specific characteristics, and whether they provide varying degrees of evidence against the Efficient Market Hypothesis. The research is based on high-frequency price and trading volume data of the Warsaw Stock Exchange. Several machine-learning algorithms are used to detect anomalies in a non-conventional methodology without explicitly incorporating external market events. Furthermore, a more detailed investigation is performed using an anomaly score transformation. Selected sectors of the WSE, represented by their corresponding indices, are examined separately and later compared in terms of their statistical measures, anomaly numbers and structure, and the correlation between anomaly score derivatives. The results exhibited varied patterns across sectors, indicating the importance of sector classification in terms of market anomalies and that the degree of potential deviations from market efficiency may differ between sectors. However, due to the limitations of the adopted methodology, these findings should be interpreted with caution.

Inny tytuł

Wykrywanie anomalii na rynku akcji z wykorzystaniem algorytmów uczenia maszynowego na przykładzie Giełdy Papierów Wartościowych w Warszawie

Wydawca
Uniwersytet Warszawski
Data obrony
2026-09-30
Licencja otwartego dostępu
Dostęp zamknięty