Implementation of a trading algorithm with a focus on volume profiles
Autor(ka) práce:
Kohout, Vít
Typ práce:
Bachelor thesis
Vedoucí práce:
Zeman, Václav
Oponenti práce:
Chudán, David
Jazyk práce:
English
Abstrakt:
Thesis investigates the incremental value of integrating advanced analytics into classical intraday trading strategies. To systematically assess the impact of increasing analytical complexity, a tiered framework of nine strategies was developed spanning baseline (price-only), volume-enhanced, and deep learning-enhanced archetypes. Temporal Fusion Transformer model is implemented to provide 15-minute ahead volume forecasts for the most advanced strategies and everything is rigorously backtested on NASDAQ-100 securities. The empirical results demonstrate a key trade-off: while incorporating volume-based parameters did not significantly increase profitability, it offered a powerful, statistically significant advantage in risk management by consistently reducing maximum drawdowns. Conversely, the hypothesis that a sophisticated transformer-based forecast would further improve performance was rejected, as the strategies operating on predicted volume failed to outperform their simpler, heuristic-based counterparts. Analysis also validates that strategy performance is highly regime-dependent, particularly for mean-reversion and momentum approaches. It is concluded that the primary contribution of adding volume-based complexity in this context is defensive, serving to preserve capital rather than amplify return, and highlight a critical trade-off between the benefits and implementation costs of deploying advanced predictive models in intraday trading strategies on higher frequency data.
Klíčová slova:
intraday trading strategies; market risk management; quantitative finance; time series analysis; transformer models; algorithmic trading; machine learning; volume forecasting; deep learning
Název práce:
Implementace obchodovacího algoritmu se zaměření na objemové profilování
Autor(ka) práce:
Kohout, Vít
Typ práce:
Bakalářská práce
Vedoucí práce:
Zeman, Václav
Oponenti práce:
Chudán, David
Jazyk práce:
English
Abstrakt:
Práce zkoumá přidanou hodnotu integrace pokročilých analytických metod do klasických intradenních obchodních strategií. Pro systematické posouzení dopadu rostoucí analytické složitosti byl vytvořen stupňovitý rámec devíti strategií, který zahrnuje základní (pouze cenové), objemem obohacené a hlubokým učením vylepšené archetypy. Pro nejpokročilejší strategie je implementován model Temporal Fusion Transformer, který poskytuje 15 minutové predikce objemu obchodů. Všechny strategie jsou důsledně zpětně testovány na akciích z indexu NASDAQ-100. Empirické výsledky ukazují na klíčový kompromis: zatímco začlenění parametrů založených na objemu obchodů významně nezvýšilo ziskovost, nabídlo silnou, statisticky významnou výhodu v řízení rizika prostřednictvím konzistentního snižování maximálních poklesů hodnoty. Naopak hypotéza, že sofistikovaná prognóza založená na modelech typu Transformer dále zlepší výkonnost, byla zamítnuta, neboť strategie operující s predikovaným objemem nedokázaly překonat své jednodušší protějšky založené na jednodušší heuristice. Analýza rovněž potvrzuje, že výkonnost strategií je vysoce závislá na aktuálním tržním režimu, což platí zejména pro přístupy založené na návratu k průměru a hybnosti. Závěrem se konstatuje, že hlavním přínosem přidání komplexity založené na objemu obchodů je v tomto kontextu defenzivní funkce, která slouží spíše k ochraně kapitálu než k navyšování výnosů. Práce zdůrazňuje zásadní kompromis mezi přínosy a implementačními náklady nasazení pokročilých prediktivních modelů v intradenních obchodních strategiích na vysokofrekvenčních datech.
Klíčová slova:
algoritmické obchodování; kvantitativní finance; strojové učení; analýza časových řad; transformery; hluboké učení; intradenní obchodní strategie; řízení tržního rizika; predikce objemu obchodů