Použitie umelej inteligencie, ako presnej, robustnej a rýchlej metódy predpovedania cien dlhopisov, vzhľadom na komplexný charakter trhových informácií, ovplyvňujúcich dlhopisy. Návrh nelineárnej autoregresnej neurónovej siete, ktorá môže zlepšiť kvalitu prognózovania cien dlhopisov s výsledkami, dosahujúcimi koeficient determinácie, vyšší ako 95 %, v trénovacej, validačnej a testovacej množine. Návrh nelineárnej autoregresnej siete s externými vstupmi, s použitím 50-ročných úrokových swapov, denominovaných v eurách a indexu volatility VIX, ako dvoch externých premenných. Použitie algoritmov učenia Levenberg-Marquardt a Scaled conjugate gradient na vzorke denných cien od 4. 1. 2016 do 13. 1. 2021 (celkovo 1 270 obchodných dní). Napriek uspokojivým výsledkom oboch učiacich sa algoritmov, implementácia nezávislej premennej do prostredia autoregresnej neurónovej siete nemala významný vplyv na predikčnú schopnosť modelu.