Využití metod UI v algoritmickém obchodování

Oldřich Šmejkal

Master's thesis

AI techniques in algorhitmic trading

Anotácia:

Diplomová práce se v teoretické části věnuje průzkumu a popisu současného stavu oblasti strojového učení, se zaměřením na metody, které je možné využít k predikci a klasifikaci časových řad, a které mohou být následně využity v problematice algoritmického obchodování. Přečtení teoretické části by mělo objasnit základní principy fungování trhů, algoritmického obchodování a metod strojového učení i čtenáři, který byl doposud s danými tématy obeznámen jen velmi zevrubně. Cílem praktické části je zvolit vhodné metody a postupy, které odpovídají současným trendům v oblasti strojového učení a následně je aplikovat na historická data akcií i jiných finančních instrumentů. Výsledkem aplikace vybraných metod je určení a srovnání jejich úspěšnosti na out of sample datech, která nebyla nijak využita v průběhu kalibrace. Jako metrika sloužící k hodnocení úspěšnosti modelů byla vybrána přesnost predikce spolu s ukazatelem sharp ratio, spočteným na výsledcích simulace jednoduché obchodní strategie, jenž je založena na výstupech testovaných modelů. Vedlejším výstupem práce je průzkum možností a otestování využitelnosti technologií použitých v praktické části. Konkrétně se jedná o prostředí SciPy, které kombinuje jazyk Python s knihovnami a nástroji určenými pro zpracování dat, statistiku a strojové učení.

Abstract:

Diploma thesis is focused on research and description of current state of machine learning field, focusing on methods that can be used for prediction and classification of time series, which could be then applied in the algorithmic trading field. Reading of theoretical section should explain basic principles of financial markets, algorithmic trading and machine learning also to reader, which was previously familiar with the subject only very thoroughly. Main objective of application part is to choose appropriate methods and procedures, which match current state of art techniques in machine learning field. Next step is to apply it to historical price data. Result of application of selected methods is determination of their success at out of sample data that was not used during model calibration. Success of prediction was evaluated by accuracy metric along with Sharpe ratio of basic trading strategy that is based on model predictions. Secondary outcome of this work is to explore possibilities and test usability of technologies used in application part. Specifically is tested and used SciPy environment, that combines Python with packages and tools designed for data analysis, statistics and machine learning.

Kľúčové slová

SciPy, Python, SVM, strojové učení, Algoritmické obchodování, časové řady, akcie, kapitálové trhy, data mining

Keywords

SciPy, Python, SVM, machine learning, data mining, time series, stocks, Algorithmic trading, financial markets

Jazyk práce: Czech

Datum vytvoření / odevzdání či podání práce: 7. 12. 2015

Obhajoba závěrečné práce

• Obhajoba proběhla 22. 9. 2016
• Vedúci: Jarmila Pavlíčková
• Oponent: Petr Berka

Vysoká škola ekonomická v Praze

Master programme / odbor:
Aplikovaná informatika / Podniková informatika