Aplikace metod umělé inteligence pro obchodování na měnových trzích
Autor(ka) práce:
Greguš, Rastislav
Typ práce:
Diplomová práce
Vedoucí práce:
Fičura, Milan
Oponenti práce:
-
Jazyk práce:
Česky
Abstrakt:
V této diplomové práci jsme se zaměřili na to, zda lze ve vysoce konkurenčním a efektivním prostředí, jako jsou finanční trhy, vytvořit ziskové obchodní strategie. Pro tento úkol jsme aplikovali nejznámější modely umělé inteligence (LSTM, MLP, RNN, GRU, CNN) a strojového učení (k-NN, Random Forest, logistická regrese). Řešili jsme klasifikační problém a odhadovaný směr pohybu založeném na volatilitě. V jedné možnosti jsme použili jen minulé výnosy a ve druhé vysoký počet technických a makroekonomických indikátorů jako prediktorů. U měnových párů jsme dokázali, že použití technických indikátorů pomohlo k plošnému zlepšení sledované t-statistiky, zatímco na kryptoměnovém trhu evidujeme lepší výsledky při použití jednoduššího modelu. Modely umělé inteligence neprokázaly značnou výhodu hlavně před logistickou regresí, která tímto pokročilým přístupem sekundovala, dokonce je v jistých případech překonala. Rovněž tato práce potvrdila, že trhy nejsou dokonale efektivní a lze nalézt ziskové příležitosti.
Klíčová slova:
umělá inteligence; strojové učení; kryptoměny; technické indikátory; měnové páry; obchodní strategie
Název práce:
Application of artificial intelligence methods for trading on currency markets
Autor(ka) práce:
Greguš, Rastislav
Typ práce:
Diploma thesis
Vedoucí práce:
Fičura, Milan
Oponenti práce:
-
Jazyk práce:
Česky
Abstrakt:
In this thesis, we focused on whether profitable trading strategies can be developed in highly competitive and efficient environments such as financial markets. For this task, we applied the most well-known artificial intelligence models (LSTM, MLP, RNN, GRU, CNN) and machine learning models (k-NN, Random Forest, logistic regression). We solved the classification problem and estimated the direction of movement based on volatility. In one option we used only past returns and in the other a high number of technical and macroeconomic indicators as predictors. For currency pairs, we showed that the use of technical indicators helped to improve the observed t-statistics across the board, while in the cryptocurrency market we register better results using a simpler model. Artificial intelligence models have not shown a significant advantage especially over logistic regression, which competed with these advanced approaches, even outperforming them in certain cases. Also, this work confirmed that markets are not perfectly efficient and profitable opportunities can be found.