Predikce signálu na finančních trzích pomocí analýzy časových řad
Predicting signals in financial markets using time series analysis
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Bohumil Miláček
Vedoucí práce
Kuznetsov Stanislav
Oponent práce
Dedecius Kamil
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce přidělující hodnost
katedra aplikované matematikyPráva
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
Zobrazit celý záznamAbstrakt
Práce se zaměřuje na analýzu nejvhodnějších typů finančních časových řad pro Machine learning na predikci buy/sell signálů. Data vybraná pro tuto práci byly akcie, konkrétně TSLA, AAPL, MSFT. Byla vzata jejich Tick data, agregována na time, tick, volume, dollar a Renko svíčky. Na jednotlivých svíčkách byl proveden labeling metodou CTL, která značí trend. Pomocí triviální strategie byl nasimulován trading na jednotlivých typech svíček. Pro vyhodnocení byly zvoleny klasifikátory Random forest a Neuronová sít', na kterých byla data natrénována a vyhodnocena vhodnost pro modely Machine learningu na základě výsledků předpovídání trendu na svíčkách a výsledků simulování tradingu na predikovaném buy/sell signálu. Výsledky ukázaly, že nejvhodnějším typem svíček jsou Renko. Work focuses on analysis of most suitable financial time series for Machine learning to predict buy/sell signals. Data selected for this thesis were stocks, namely TSLA, AAPL, MSFT. Their Tick data were taken and aggregated to time, tick, volume, dollar and Renko bars. On all bars a labeling was done using CTL method, which marks trend. A trivial strategy was used to simulate trading on all of the bars. As classifiers for evaluation a Random forest and Neural network were used, on which were the data trained and evaluated suitability for Machine learning models based on results of trend prediction on bars and results of simulated trading on predicted buy/sell signal. Results showed the most suitable bars are Renko.
Kolekce
- Bakalářské práce - 18105 [295]