Detekce anomálií v tržních datech

Abstract

Tato diplomová práce se zabývá detekcí anomálií v obchodních datech za použití pokročilých technik strojového učení. Hodnotí efektivitu sítí dlouhé krátkodobé paměti (LSTM), Autoenkodérů a Izolation Forests napříč různými finančními datasety, včetně akcií, směnných kurzů a komodit. Studie provádí srovnávací analýzu těchto modelů pod různými transformacemi dat, jako je lineární odstranění trendu, diferenciace a výpočet relativních změn, aby určila jejich vliv na detekci anomálií. Výzkum si klade za cíl rozšířit výsledky Bianchettiho a Scaringiho použitím dalších modelů, jmenovitě SVM a Hurstova exponentu a porovnáním výkonnosti napříč různými třídami aktiv.

This thesis studies anomaly detection in market data using advanced machine learning techniques. It evaluates the effectiveness of Long Short-Term Memory (LSTM) networks, Autoencoders, and Isolation Forests across various financial datasets, including equities, foreign exchange rates, and commodities. The study conducts a comparative analysis of these models under different data transformations like linear detrending, differentiation, and relative change to determine their impact on anomaly detection. The research aims to extend the results of Bianchetti and Scaringi by introducing additional models, namely SVM and Hurst exponent, and comparing the performance across different asset classes.