Analýza vlivu investorovy pozornosti na ceny finančních aktiv prostřednictvím transformerových neuronových sítí

Abstract

Tato práce se zabývá využitím transformerových modelů pro predikci cen a trendů na finančních trzích, a to s důrazem na zapojení tzv. investorovy pozornosti. Investorovu pozornost zde reprezentují nejen tradiční finanční data, ale také informace o náladě ve společnosti, získané prostřednictvím analýzy sentimentu z různých veřejně dostupných zdrojů, jako jsou vyhledávací trendy, články v médiích či příspěvky na sociálních sítích. Cílem práce je ukázat, že propojení tradičních a netradičních datových vrstev může přinést přidanou hodnotu při modelování dynamiky finančních trhů a že transformerové modely představují flexibilní a výkonný nástroj pro takové úlohy.

This thesis focuses on the use of transformer models for predicting prices and trends in financial markets, with an emphasis on the involvement of so-called investor attention. Investor attention is represented not only by traditional financial data, but also by information about the mood in society, obtained through sentiment analysis from various publicly available sources, such as search trends, media articles, and social media posts. The aim of this work is to show that combining traditional and non-traditional data layers can bring added value to the modeling of financial market dynamics and that transformer models are a flexible and powerful tool for such tasks.