Detekce anomálií v tržních datech
Market Data Anomaly Detection
Type of document
diplomová prácemaster thesis
Author
Eliáš El Frem
Supervisor
Mandler Christian
Opponent
Novák Petr
Field of study
Znalostní inženýrstvíStudy program
InformatikaInstitutions assigning rank
katedra aplikované matematikyRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
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.
Collections
- Diplomové práce - 18105 [194]