Analýza vlivu fundamentálních dat na výkonnost akcií pomocí metod strojového učení

Abstract

Bakalářská práce se věnuje využití strojového učení, zejména hlubokých neuronových sítí, a algoritmického zpracování fundamentálních dat o společnostech obchodovaných na burze k optimalizaci obchodní strategie. V textu je přiblížena možná implementace jednotlivých kroků sestavování neuronové sítě od prvotního načtení a předzpracování dat až po vyhodnocování výsledků pomocí API Keras dostupné v TensorFlow 2. Dále je v práci popsáno získávání fundamentálních dat, jejich zpracování a uložení ve vhodném formátu, včetně použité logiky pro vytváření vstupních dat pro neuronovou sít’. Poslední část bakalářské práce je věnována diskusi možné implementace obchodní strategie získané pomocí neuronové sítě a vyhodnocení její úspěšnosti při reálném obchodování.

This bachelor’s degree project focuses on the application of machine learning methods, in particular deep neural networks, for algorithmic processing of American stock exchange fundamental data in order to optimize trading strategy. The thesis describes the necessary steps for neural network model creation and possible ways of implementation, starting with data preprocessing and ending with neural network model evaluation within the Keras API, which is available in TensorFlow 2. Subsequently, the thesis describes the fundamental data extraction process and its storage within an appropriate format. Furthermore, the logic used to create input data for the neural network based on the stock fundamental data is explained. The last chapter discusses the possible ways to implement trading strategy obtained with the help of the resulting neural network.