Rozpoznávání vzorů v časových řadách pomocí hlubokých neuronových sítí

Abstract

Tato bakalářská práce se zabývá rozpoznáváním vzorů v časových řadách obsahující historická data z kryptoměnové burzy. Jako vhodný nástroj tohoto rozpoznávání byly zvoleny konvoluční neuronové sítě (CNN). Na jedné straně tak práce vysvětluje pojmy a porovnává mechanismy, na jejichž principu fungují klasické a kryptoměnové spotové a termínové finanční trhy. Zvláštní důraz je přitom kladen na téma samotného obchodování. Na straně druhé pak tato práce seznamuje s principy fungování neuronových sítí, převážně CNN, popisuje proces jejich aplikace, včetně důkladného rozebrání problematiky předzpracování dat, a vliv různých architektur při řešení úlohy predikce budoucího vývoje ceny aktiv na kryptoměnové burze. Jednotlivé architektury se od sebe přitom liší pouze různým nastavením hyper-parametrů. Konkrétně se jedná o vliv počtu neuronů, vrstev, množství vstupních dat, využití dropoutu, dávkové normalizace a dropoutu společně s MaxNorm regularizací na úspěšnost fungování sítě na formulované úloze. K trénování modelů byla použita jak reálná historická data, tak i data syntetická.

The aim of this bachelor thesis is the study of pattern recognition in time series, which contain historical data from the cryptocurrency exchange. As a suitable tool for this study, convolutional neural networks (CNN) have been chosen. Firstly, the thesis explains the concepts and compares the mechanisms behind the classical and cryptocurrency spot and derivatives markets. Special emphasis is put on trading itself. Secondly, the thesis introduces the principles of neural networks, predominantly CNN, describes the process of their application including a thorough analysis of data preprocessing, and the influence of various architectures on solving the task of predicting future asset price developments on the cryptocurrency exchange. The architectures differ from each other only by different hyper-parameter settings. In particular, the effect of the number of neurons, layers, the amount of input data, the use of dropout, batch normalization and dropout with MaxNorm regularization is studied. Both real historical and synthetic data were used to train the models.