Aplikace neuronových sítí pro predikci finančních časových řad
Autor(ka) práce:
Hrifanov, Igor
Typ práce:
Diplomová práce
Vedoucí práce:
Máša, Petr
Oponenti práce:
Zamazal, Ondřej
Jazyk práce:
Česky
Abstrakt:
Diplomová práce si klade za cíl navrhnout, implementovat a ověřit řešení pro predikci finančních časových řad pomocí neuronových sítí na reálných datech. Konkrétně se zaměřuje na návrh a implementaci modelů neuronových sítí pro predikci cenových pohybů vybraných aktiv a vytvoření obchodní strategie na základě těchto predikcí. Cílem práce je zjistit, zda má navržená strategie potenciál dosahovat dlouhodobé ziskovosti. Teoretická část práce představuje základní koncepty finančního trhu, práce s finančními časovými řadami a základů neuronových sítí. Praktická část obsahuje akvizici a předzpracování minutových dat 15 amerických akcií za období od 16. dubna 2021 do 1. září 2023. Dále je zde proveden návrh a implementace modelů neuronových sítí TFT a N-HiTS pro predikci cenových pohybů aktiv, přičemž bylo vytvořeno celkem 30 modelů typu N-HiTS a 30 modelů typu TFT. Pro každou z 15 akcií byly vytvořeny dva modely TFT a N-HiTS, přičemž jeden pracoval s převzorkovanými daty s frekvencí 5 minut a druhý s daty s frekvencí 15 minut. Poslední část praktické části popisuje implementaci obchodní strategie řízené predikcemi TFT a N-HiTS modelů. Výkonnost této strategie je měřena backtestingem v porovnání s navrženou pasivní investiční strategií, která slouží jako benchmark. Výsledky studie naznačují krátkodobou ziskovost navrženého řešení na 9týdenním backtestovacím horizontu, které si v průměru vedlo lépe než pasivní investiční strategie. Na konci práce se pojednává o dalších krocích pro komplexní zhodnocení dlouhodobé výdělečnosti stávajícího řešení a o dalších směrech jeho rozvoje.
Application of Neural Networks for Financial Time Series Forecasting
Autor(ka) práce:
Hrifanov, Igor
Typ práce:
Diploma thesis
Vedoucí práce:
Máša, Petr
Oponenti práce:
Zamazal, Ondřej
Jazyk práce:
Česky
Abstrakt:
The thesis aims to design, implement and evaluate a solution for financial time series prediction using neural networks on real data. Specifically, it focuses on the design and implementation of neural network models for predicting price movements of selected assets and creating a trading strategy based on these predictions. The objective of the work is to determine whether the proposed strategy has the potential to achieve long-term profitability. The theoretical part of the thesis introduces the basic concepts of the financial market, working with financial time series and the basics of neural networks. The practical part includes the acquisition and preprocessing of intraday minute data of 15 US stocks for the period from April 16, 2021 to September 1, 2023. Furthermore, the design and implementation of TFT and N-HiTS neural network models for predicting asset price movements is carried out, with a total of 30 N-HiTS and 30 TFT models. Two TFT and N-HiTS models were created for each of the 15 stocks, one working with resampled data at a frequency of 5 minutes and the other with data at a frequency of 15 minutes. The last part of the practical section describes the implementation of a trading strategy driven by the predictions of the TFT and N-HiTS models. The performance of this strategy is measured by backtesting against a proposed passive investment strategy that serves as a benchmark. The results of the study indicate the short-term profitability of the proposed solution on a 9-week backtesting horizon, which performed better on average than the passive investment strategy. The paper concludes with a discussion of the next steps for a comprehensive evaluation of the long-term profitability of the current solution and further directions for its development.
Klíčová slova:
neural networks; transformer; N-HiTS; PyTorch; Darts; time series; stock market