Algoritmus tržních signálů založený na rozpoznávání obrazů

Abstract

Miliony transakcí jsou zpracovány na světových trzích. Obchodníci bojují o zisky prodejem a nákupem různých aktiv po celém světě. V této nekonečné válce za peníze vznikají tuny různých technik, cílem kterých je předpovědět cenu a pomoct obchodníkům učinit správná rozhodnutí. Tato práce navrhuje nový přístup k analýze historických OHLCV dat a generování tržních signálů, které obchodníkům sdělují, jaké kroky by měly být učiněny právě teď. K zavedení nového modelu využíváme konvoluční neuronové sítě v kombinaci s plně propojenými neuronovými sítěmi. Dále diskutujeme techniku pro vytvoření tréninkové sady dat z vizuální reprezentace tržního indikátoru nazvaného Index relativní síly. Navrhovaný model dosahuje 69% přesnosti z dat o kryptometrovém páru ETH/BTC, který, pokud vezmeme v úvahu celkovou volatilitu kryptomarket, je dobrou základnou pro budoucí řešení.

Millions of transactions are processed in worldwide markets. Traders fight for profits by selling and buying different assets worldwide. In this endless war for money, tons of different techniques are being created, attempting to predict the price in advance and help traders make correct decisions. This thesis proposes a novel approach to analyse historical data of the price and generate market signals that tell traders what action should be taken right now. We make use of convolutional neural networks in combination with fully-connected ones to introduce a new model. Moreover, we discuss a technique to create a training dataset from a visual representation of a market indicator called the Relative Strength Index. The proposed model achieves 69% accuracy on data of the ETH/BTC cryptocurrency pair that, if taking into account the overall volatility of cryptomarkets, is a good baseline for future solutions.