Predikce vývoje cen na finančních trzích pomocí hlubokého učení

Bc. Jiří Vahala

Bakalářská práce

Prediction of Financial Markets Using Deep Learning

Anotace:

Testovali jsme možné využití plně propojených vícevrstvých neuronových sítí pro predikci měnových trhů. Přesněji jsme se zaměřili na metody, jejichž použití vede k modelům s lepší generalizací problému. Pro usnadnění jednoduchého experimentování přes prohledávánou doménu argumentů byl vytvořen obecný, flexibilní framework nad TensorFlow a Kerasem, který automatizovaně spouštěl vygenerované experimenty. Protože frameworky TensorFlow a Keras neimplementují autoencodery pro předtrénování neuronových sítí, čtyři implementace různých typů autoencoderů byly vytvořeny a úspěšně začleněny mezi ukázkové modely v oficiálním repozitáři TensorFlow. Pro filtrování predikcí na základě počítání jistoty prediktoru jsme vytvořili algoritmus pro hledání hranice mezi ignorovanými a neignorovanými predikcemi, což značně zlepšilo úspěch prediktorů. Ve spolupráci s průmyslovým partnerem jsme navrhli a úspěšně implementovali vybrané modely do skutečné obchodující platformy, kde byly klasifikovány jako úspěšné.

Abstract:

We tested possible usage of fully connected neural networks for predicting FOREX market. More specifically we focused on generalization providing methods used in neural networks. In order to facilitate an easy grid search over the target domain, the general framework around TensorFlow and Keras framework was built to provide flexibility for executing automatically generated experiments. Because TensorFlow and Keras do not implement autoencoders for pretraining, four implementations of different autoencoders were created and successfully merged into official TensorFlow repository. We also introduce an algorithm for finding threshold with chosen confidence filter since predictors does not have to make predictions for all inputs and confidence filtering marginally increases their success. Finally, we proposed few models and deployed them into the real trading platform where they were marked as successful predictors.

Keywords

Neural networks, deep learning, prediction, FOREX, time series, TensorFlow, prediction confidence

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 23. 5. 2016

Obhajoba závěrečné práce

• Obhajoba proběhla 23. 6. 2016
• Vedoucí: doc. RNDr. Tomáš Brázdil, Ph.D.
• Oponent: doc. RNDr. Lubomír Popelínský, Ph.D.

Masarykova univerzita

Fakulta informatiky

Bakalářský studijní program / obor:
Informatika / Paralelní a distribuované systémy