Original title: Obchodování Akcií Pomocí Hlubokého Zpětnovazebního Učení a Analýzy Textu
Translated title: Stock Trading Using a Deep Reinforcement Learning and Text Analysis
Authors: Benk, Dominik ; Baruník, Jozef (advisor) ; Vácha, Lukáš (referee)
Document type: Master’s theses
Year: 2022
Language: eng
Abstract: [eng] [cze]
The thesis focuses on exploiting imperfections on the stock market by utilizing state-of-the-art learning methods and applying them to algorithmic trading. The automated decisions are expected to have the capability of outperforming professional traders by considering much more information, reacting almost instantly and being unaffected by emotions. As an alternative to traditional supervised learning, the proposed model of reinforcement learning employs a principle of trial-and-error, which is essential for learning behaviours of all organisms. In the context of stocks, this allows to consider the involved uncer- tainty and therefore more precisely estimate the long-run returns. To collect the most relevant information for each trading decision, additionally to tech- nical indicators the models build on investor's opinion - financial sentiment. This is derived from two textual sources, news and social media, and the main goal is to compare their relative contribution to trading. Models are applied to 11 different stocks and later combined into portfolio for greater robustness of results. The textual analysis proves to be important for the learning process, especially in case of stocks with good media coverage. The Twitter is found to provide more valuable information compared to news, but their... Práce se zaměřuje na využití nedokonalostí akciového trhu pomocí nejmod- ernějších metod učení a jejich aplikaci na algoritmické obchodování. Očekává se, že automatizovaná rozhodnutí budou schopna překonat profesionální ob- chodníky tím, že zohlední mnohem více informací, budou reagovat téměř okamžitě a nebudou ovlivněna emocemi. Jako alternativa k tradičnímu učení s takz- vaným učitelem, využívá navrhovaný model zpětnovazebního učení principu pokus-omyl, který je nezbytný pro učení chování všech organismů. V kontextu akcií to umožňuje zohlednit zahrnutou nejistotu, a tedy přesněji odhadnout dlouhodobé výnosy. Pro shromáždění co nejrelevantnějších informací k jed- notlivým obchodním rozhodnutím, staví modely kromě technických ukazatelů také na názoru investorů - finančním sentimentu. Ten je získáván ze dvou textových zdrojů, zpráv a sociálních médií, a hlavním cílem je porovnat jejich relativní přínos pro obchodování. Modely jsou aplikovány na 11 různých akcií a později spojeny do portfolia pro větší robustnost výsledků. Textová analýza se potvrdila jako důležitá při procesu učení, zejména v případě akcií s dobrým mediálním pokrytím. Ukazuje se, že Twitter poskytuje cennější informace ve srovnání se zprávami, ale jejich kombinace vykazuje ještě vyšší predikční po- tenciál. Nicméně i tak, navržené...
Keywords: Machine Learning; Reinforcement Learning; Sentiment Analysis; Stock Trading; Analýza Sentimentu; Obchodování Akcií; Strojové Učení; Zpětnovazební Učení

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/176640

Permalink: http://www.nusl.cz/ntk/nusl-509965


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses