Skuteczne przewidywanie zachowania giełdy dla inwestorów jest bardzo ważnym problemem badawczym. Trafne przewidywanie przyszłych cen akcji może przynieść inwestorowi znaczny zysk. Ogrom informacji generowanych przez światowe rynki finansowe sprawia, że zadanie to jest bardzo skomplikowane i złożone. Spowodowało to powstanie wielu różnorodnych metod oraz technik wykorzystywanych przez inwestorów w celu skuteczniejszego przewidywania zachowań rynków finansowych. Współczesnie coraz częściej wykorzystuje się techniki analizy dużych danych oraz metody z dziedziny uczenia maszynowego. Narzędziem łączącym w sobie zarówno funkcję przetwarzania dużych ilości danych jak i inteligentną analizę jest platforma obliczeniowa Apache Spark, która jest popularnym narzędziem stosowanym w inteligentnej analize danych. W literaturze niewiele jest jednak badań oceniających przydatność wymienionego narzędzia w predykcji zachowań rynków finansowych.

W celu zbadania użyteczności stosowania platformy Apache Spark w predykcji zachowań instrumentów w ramach niniejszej pracy skupiono się na prognozowaniu kierunku zmian wartości indeksu giełdowego WIG20 obejmującego notowania dwudziestu największych polskich spółek akcyjnych. Horyzont prognozy wynosił jeden dzień.

Na potrzeby badań, spośród zaimplementowanych w platformie obliczeniowej Apache Spark algorytmów uczenia maszynowego, wybrano algorytmy drzew decyzyjnych, lasów losowych oraz maszyn wektorów wsparcia, które stały się podstawą do utworzenia klasyfikatorów dokonujących prognozy. Wybór algorytmów został podyktowany podyktowany ich popularnością w literaturze.

Do wytrenowania klasyfikatorów wykorzystano historyczne dane notowań indeksu giełdowego pobrane z serwisu investing.com. Wektor zmiennych wejściowych składał się z podstawowych danych finansowych notowań oraz współczynników stosowanych w analizie technicznej lub analizie szeregów czasowych. W celu uzyskania jak najlepszej skuteczności klasyfikatora przeprowadzona została optymalizacja hiperparametrów poprzez metodę przeszukiwania siatki. Uzyskane klasyfikatory oceniono korzystając ze standardowych metod oceny w domeny uczenia maszynowego.

Otrzymane wyniki wskazują, że użyte narzędzie jest odpowiednim narzędziem do wykorzystania w zagadnieniu predykcji kierunku zmian wartości instrumentów finansowych ze względu na wysoką dokładność utworzonych klasyfikatorów oraz znacząco upraszcza proces doboru ich optymalnych parametrów.