Pokročilé architektury neuronových sítí pro analýzu dat z finančních trhů

Abstract

V bakalářské práci jsou vysvětleny základní pojmy strojového učení na lineární a logistické regresi, a poté jsou teoreticky uvedeny neuronové sítě. Dále je zkoumán problém přeučení a principy, jak se mu vyhnout. Praktická část je zaměřena na předzpracování časových řad a predikce jejich vývoje pomocí klasifikáčních LSTM neuronových architekturách. Jako časové řady jsou použity vývoje ceny kryptoměnového páru z kryptoměnové burzy Binance. Dále jsou zkoumány úspěšnosti predikce v závislostí na volbě různých hyperparametrů.

In this bachelor thesis, the basic terminology of machine learning is explained on linear and logistic regression and then the theory of neural networks is laid out. Next the problem of overfitting and principles of how to avoid it are investigated. Practical part is focused on preparation of time series, and prediction of their development with the help of classification LSTM neural architectures. As an example of time series the price evolution of a cryptocurrency pair from the Binance cryptocurrency exchange is used. Next the success rates of prediction with different settings of hyperparameters are investigated.