Machine Learning in Algorithmic Trading
| Thesis title in Czech: | Strojové učení v algoritmickém obchodování |
|---|---|
| Thesis title in English: | Machine Learning in Algorithmic Trading |
| Key words: | Strojové učení|Algorimtické Obchodování|Svíčkové formace|Extreme Gradient Boosting|Obchodovací strategie |
| English key words: | Machine Learning|Algorithmic Trading|Candlestick Patterns|Extreme Gradient Boosting|Trading Strategies |
| Academic year of topic announcement: | 2018/2019 |
| Thesis type: | diploma thesis |
| Thesis language: | angličtina |
| Department: | Department of Theoretical Computer Science and Mathematical Logic (32-KTIML) |
| Supervisor: | doc. Mgr. Martin Pilát, Ph.D. |
| Author: | hidden - assigned and confirmed by the Study Dept. |
| Date of registration: | 07.04.2019 |
| Date of assignment: | 09.04.2019 |
| Confirmed by Study dept. on: | 15.04.2019 |
| Date and time of defence: | 04.02.2021 08:30 |
| Date of electronic submission: | 05.01.2021 |
| Date of submission of printed version: | 06.01.2021 |
| Date of proceeded defence: | 04.02.2021 |
| Opponents: | Mgr. Roman Neruda, CSc. |
| Guidelines |
| Algoritmické obchodování je rychle se rozvíjející oblast s možnými aplikacemi strojového učení a neuronových sítí. Cílem práce je prozkoumat, jakým způsobem se dají tyto techniky v algoritmickém obchodování využít a porovnat různé možnosti, např. jestli je lepší problém specifikovat jako regresi (předpověď následující ceny), nebo jako klasifikaci (předpověď směru pohybu, nebo rovnou optimálního obchodního příkazu).
Student se seznámí s literaturou týkající se algoritmického obchodování. Prozkoumá, jaké přístupy se používají a na základě toho navrhne experimenty, které otestují a porovnají jejich vhodnost. Na základě těchto experimentů potom navrhne vlastní postupy, které otestuje. |
| References |
| [1] Huang, Boming, Yuxiang Huan, Li Da Xu, Lirong Zheng, and Zhuo Zou. "Automated trading systems statistical and machine learning methods and hardware implementation: a survey." Enterprise Information Systems 13, no. 1, pp. 132-144, Taylor and Francis, 2019. ISSN: 1751-7575, DOI: 10.1080/17517575.2018.1493145
[2] Deng, Yue, Feng Bao, Youyong Kong, Zhiquan Ren, and Qionghai Dai. "Deep direct reinforcement learning for financial signal representation and trading." IEEE Transactions on Neural Networks and Learning Systems 28, no. 3, pp. 653-664, IEEE, 2017. ISSN: 2162-237X, DOI: 10.1109/TNNLS.2016.2522401 [3] Fischer, Thomas, and Christopher Krauss. "Deep learning with long short-term memory networks for financial market predictions." European Journal of Operational Research 270, no. 2, pp. 654-669, Elsevier, 2018. ISSN: 0377-2217, DOI: 10.1016/j.ejor.2017.11.054 [4] Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. Deep learning. MIT Press, 2016. ISBN: 978-0262035613. |