Aplikace umělé inteligence při obchodování na kapitálových trzích
| Thesis title: | Aplikace umělé inteligence při obchodování na kapitálových trzích |
|---|---|
| Author: | Kotelnikov, Vladislav |
| Thesis type: | Diploma thesis |
| Supervisor: | Fičura, Milan |
| Opponents: | Drahokoupil, Matěj |
| Thesis language: | English |
| Abstract: | This thesis aims to analyze the profitability of the LSTM neural-network-based models in FX Spot trading. The focus is EURGBP, EURUSD, USDJPY, and USDTRY currency pairs with 1-minute frequency data in the period from 11/11/2019 to 11/11/2022. It also analyzes various methods of data preparation. Overall, over 200 models are trained and analyzed. As a result, the five best models are backtested and described in detail. LSTM models trained using fractionally differenced data were profitable in cases of EURUSD and EURGBP pairs. The majority of selected models were able to successfully predict the direction of the price movement as well as its magnitude. Some were also able to predict well the exact future bid and ask prices. The backtests proved that three LSTM models can be profitable for EURUSD and two LSTM models can be profitable for EURGBP. The best EURUSD model was able to reach annualized profitability of 48% and the best EURGBP model reached profitability of 28%. Models trained on other currency pairs were not profitable. |
| Keywords: | Neural Networks; Machine Learning; Long-Short Term Model; FX Market; Forex; Trading; Capital Markets; Fractional Differencing; FX Spots; Artificial Intelligence; Deep Learning |
| Thesis title: | Aplikace umělé inteligence při obchodování na kapitálových trzích |
|---|---|
| Author: | Kotelnikov, Vladislav |
| Thesis type: | Diplomová práce |
| Supervisor: | Fičura, Milan |
| Opponents: | Drahokoupil, Matěj |
| Thesis language: | English |
| Abstract: | Tato práce má za cíl analýzu výnosnosti modelů na základě LSTM neuronových sítí při obchodování na FX Spot trhu. Středem zájmu jsou měnové páry EURGBP, EURUSD, USDJPY a USDTRY s daty s 1-minutovou frekvencí v období od 11.11.2019 do 11.11.2022. Práce se také soustředí na různé způsoby přípravy dat. Celkově je natrénováno a analyzováno více než 200 modelů. Pět nejlepších modelů je následně backtestováno a podrobně popsáno. Modely LSTM trénované pomocí frakcionálně diferencovaných dat byly ziskové v případech párů EURUSD a EURGBP. Většina vybraných modelů dokázala úspěšně předpovědět směr pohybu ceny i jeho velikost. Některé byly také schopny dobře předvídat přesné budoucí bid a ask ceny. Backtesty prokázaly, že tři modely LSTM mohou být ziskové pro EURUSD a dva modely LSTM mohou být ziskové pro EURGBP. Nejlepší model EURUSD dokázal dosáhnout anualizované ziskovosti 48 % a nejlepší model EURGBP dosáhl ziskovosti 28 %. Modely trénované na jiných měnových párech nebyly ziskové. |
| Keywords: | Neuronové Sítě; Machine Learning; Long-Short Term Model; FX trhy; Frakcionální diference; FX Spots; Umělá inteligence; Deep Learning; Forex; Obchodování; Kapitálové trhy |
Information about study
| Study programme: | Finance |
|---|---|
| Type of study programme: | Magisterský studijní program |
| Assigned degree: | Ing. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Finance and Accounting |
| Department: | Department of Banking and Insurance |
Information on submission and defense
| Date of assignment: | 16. 12. 2020 |
|---|---|
| Date of submission: | 24. 8. 2023 |
| Date of defense: | 14. 9. 2023 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/75531/podrobnosti |