The topic of the thesis was proposed by the student himself based on his interest in financial markets and quantitative modeling. The assignment was challenging, as it required not only the implementation of predictive models, but also a deeper investigation into the structure of financial time series and the amount of predictive information contained in historical OHLC data.

To address these questions, the student formulated the problem within a probabilistic autoregressive framework and proposed a novel evaluation methodology based on information-theoretic principles. He designed and implemented a complete experimental framework and conducted extensive experiments investigating the relationship between historical context, model capacity, and predictive performance.

The thesis presents only the final successful approach; however, achieving these results required the student to investigate a considerably larger number of modeling strategies, architectures, and evaluation methodologies than is apparent from the final manuscript.

I am very satisfied with the achieved results. The thesis fully meets and, in several respects, exceeds the original assignment.

The thesis resulted in a substantial codebase that enables reproduction of all experiments presented in the manuscript, including model training and evaluation.

The student worked independently and regularly consulted his progress throughout the project. He was always well prepared for meetings and frequently provided written summaries and discussion points in advance, which made the consultations productive and focused.

Our discussions often went beyond the immediate implementation details and focused on understanding the underlying principles of the proposed methods and experiments. The student showed a genuine interest in the topic and a strong ability to analyze and solve research problems.

Evaluation level: zadání splněno a práce obsahuje podstatná rozšíření

Zadání bylo splněno, student přišel s inovativní teorií predikce časových řad na finančních trzích. Držel se striktně statistického přístupu s odhadem rozložení pravděpodobnosti, což mu umožnilo vytvořit řadu unikátních výsledků v oblasti předzpracování dat, vlastních modelů, hodnocení výsledků a generování dat. Přesto, že nejsem zcela zběhlý v modelování finančních trhů považuji práci za unikátní a velmi kvalitní. K vlastní práci jsou navíc přidány Appendixy zabávající se statistickým modelováním a technikami strojového učení, které jsou naprosto matematicky rigorózní a mohou posloužit i pro jiné domény.

Prezentační úroveň je perfektní – práce je výborně strukturovaná, sekce na sebe plynule navazují a práci by bylo možné prakticky rovnou vydat jako disertaci nebo knihu.

Rozsah seznamu literatury odpovídá diplomové práci, většina zdrojů se věnuje matematickému modelování a strojovému učení, u DP tohoto typu bych očekával více zdrojů týkajících se finančních trhů. Zatímco odkazy na ML a matematiku jsou v práci provedeny pečlivě, u financí bych na některých ocenil referenci místo „people usually…“.

Práce má potenciál stát se povinnou četbou pro všechny zájemce o skutečně matematicky fundované modelování časových řad na finančních trzích a o jejich kvantitativní vyhodnocení. Po dopracování trading modelů má potenciál sát se zajímavým nástrojem pro algoritmické obchodování.