Robotické investování

Bc. Štěpán Kameník

Master's thesis

Robotic Investing

Anotácia:

Tato diplomová práce je zaměřena na popis aktuálně nejvíce používaných metod pro predikce finančních časových řad. Tyto modely - přesněji modely ARIMA, ANN, LSTM, Bi-LSTM, komplexní (obsahující dvě sítě LSTM / Bi-LSTM) a hybridní používající více zdrojů dat - jsou následně v práci implementovány a podrobeny testování klasickými metrikami. Všechny použité modely jsou testovány na sedmi datových sadách různých finančních instrumentů (Apple Inc., JPMorgan Chase & Co., Amazon.com, Inc., ETF S&P500, All-World ETF, Bitcoin, Ethereum). Každá tato testovací sada obsahuje množinu denních, hodinových, půlhodinových i minutových dat. Tímto způsobem dojde k testování variability navržených modelů a jejich závislosti na přesných vlastnostech datových řad. Následně jsou predikce modelů použity k virtuálnímu obchodování na časovém intervalu, na kterém model nebyl trénován. Tímto způsobem lze vyhodnotit použitelnost modelu pro reálné obchodování. V rámci praktické části práce bylo dosaženo slibných výsledků u několika modelů neuronových sítí (konkrétně LSTM a Bi-LSTM) i klasického přístupu autoregresního modelu. Naopak celkem překvapivě velmi špatných výsledků dosáhly modely, které měly více informací mimo pouhé ceny instrumentu k predikci časové řady.

Abstract:

This diploma thesis is focused on the description of the currently most used methods for the prediction of financial time series. These models - more precisely, ARIMA, ANN, LSTM, Bi-LSTM, complex (containing two LSTM / Bi-LSTM networks) and hybrid models using multiple data sources - are then implemented and tested by classical metrics. All models used in this work are tested on seven datasets of various financial instruments (Apple Inc., JPMorgan Chase & Co., Amazon.com, Inc., ETF S&P500, All-World ETF, Bitcoin, Ethereum). Each of these test sets contains a set of daily, hourly, half-hour, and minute data. In this way, the variability of the proposed models and their dependence on the exact properties of the data series will be tested. Subsequently, model predictions are later used for virtual trading on a time interval on which the model was not trained. In this way, the applicability of the model for real trading can be evaluated. Within the practical part of the work, promising results were achieved with several models of neural networks (specifically LSTM and Bi-LSTM) and the classical approach of the autoregressive model. On the contrary, models that had more information than just the prices of the time series prediction instrument achieved quite surprisingly very poor results.

Kľúčové slová

akcie, kryptoměny, strojové učení, ARIMA, LSTM

Keywords

stocks, cryptocurrencies, machine learning, ARIMA, LSTM

Jazyk práce: Czech

Datum vytvoření / odevzdání či podání práce: 28. 4. 2022

Obhajoba závěrečné práce

• Obhajoba proběhla 24. 5. 2022
• Vedúci: Ing. Jan Mačí, Ph.D.
• Oponent: Ing. Lukáš Režný, Ph.D.

University of Hradec Králové

Faculty of Informatics and Management

Master programme / odbor:
Aplikovaná informatika / Aplikovaná informatika