|
|
Využití veřejných obchodních informací pro automatický trading
Gráca, Martin ; Plchot, Oldřich (oponent) ; Černocký, Jan (vedoucí práce)
V dnešní době moderních technologií a výkonných počítačů již klasické obchodní modely přestávají fungovat. Pro úspěšné obchodování na burze, generující konzistentní zisky, je proto vhodné využít nových možností a technologií. Cílem této práce je právě díky těmto novým technologiím vytvořit fungující automatický obchodní systém. Tato práce využívá veřejně dostupných dat uložených v databázi Americké Komise pro cenné papíry (SEC), historické ceny akcii a rekurentní neuronové sítě k vytvoření takového modelu. Výsledný obchodní systém je schopný úspěšně obchodovat a vykazovat zisk.
|
|
|
Recurrent Neural Networks with Elastic Time Context in Language Modeling
Beneš, Karel ; Veselý, Karel (oponent) ; Hannemann, Mirko (vedoucí práce)
This thesis describes an experimental work in the field of statistical language modeling with recurrent neural networks (RNNs). A thorough literature survey on the topic is given, followed by a description of algorithms used for training the respective models. Most of the techniques have been implemented using Theano toolkit. Extensive experiments have been carried out with the Simple Recurrent Network (SRN), which revealed some previously unpublished findings. The best published result has not been replicated in case of static evaluation. In the case of dynamic evaluation, the best published result was outperformed by 1 %. Then, experiments with the Structurally Constrained Recurrent Network have been conducted, but the performance could not be improved over the SRN baseline. Finally, a novel enhancement of the SRN was proposed, leading to a Randomly Sparse RNN (RS-RNN) architecture. This enhancement is based on applying a fixed binary mask on the recurrent connections, thus forcing some recurrent weights to zero. It is empirically confirmed, that RS-RNN models learn the training corpus better and a combination of RS-RNN models achieved a 30% bigger gain on test data than a combination of dense SRN models of same size.
|
|
|
Machine Learning Strategies in Electronic Trading
Huf, Petr ; Kolář, Martin (oponent) ; Černocký, Jan (vedoucí práce)
Successful stock trading is a dream of many people. Eletronic trading is an interesting branch of this business. The trading strategy runs on the computer all the time without any human intervention. This way of trading provides a lot of free time and high earnings. This thesis is aimed at usage of neural networks in building this type of trading strategy. An already existing recurrent neural network was used as a basis and was modified for the needs of trading. The result is a neural network which predicts future market moves. The trading strategy based on this neural network is able to perform a successful trading.
|
|
|
Predikce datového toku v počítačových sítích
Zvěřina, Lukáš ; Sobek, Jiří (oponent) ; Vychodil, Petr (vedoucí práce)
Předmětem této diplomové práce bylo seznámit se s problematikou predikce výskytu dat v počítačových sítích. Dále se tato práce zabývala síťovým provozem a analýzou jeho vlastností. V této práci byly rozebrány možnosti predikce síťového provozu pomocí FARIMA modelu, teorii chaosu s Lyapunovým exponentem a pomocí neuronových sítí. Nejpodrobněji zde byly probrány možnosti predikce, se zaměřením na neuronové sítě. Konkrétně tedy hlavně na rekurentní neuronové sítě. Predikce se prováděly pomocí programu Matlab ve vývojovém prostředí Neural Network Toolbox, kde byly vytvořeny, natrénovány a otestovány neuronové sítě pro predikci konkrétních druhů síťového provozu. Pro testování byly vybrány Elmanova síť, NARX síť a obecná LRN rekurentní síť. Získané výsledky byly přehledně zpracovány do tabulek a vyneseny do grafických závislostí před a po použití navržené predikční techniky se závěrečným zhodnocením.
|
|
|
Nelineární analýza a predikce síťového provozu
Člupek, Vlastimil ; Burget, Radim (oponent) ; Vychodil, Petr (vedoucí práce)
Tato diplomová práce se zabývá síťovým provozem a analýzou jeho vlastností. V této práci jsou rozebrány možnosti predikce síťového provozu pomocí FARIMA modelu, teorii chaosu s Lyapunovým exponentem a pomocí neuronových sítí. Největší pozornost byla věnována predikci síťového provozu pomocí neuronových sítí. V prostředí Matlab s využitím Neural Network Toolbox byly vytvořeny, natrénovány a otestovány rekurentní sítě pro predikci konkrétních druhů síťového provozu, který byl odchycen na lokální síti. K testování predikce síťového provozu byla vybrána Elmanova síť, LRN a NARX síť, dosažené výsledky byly diskutovány. Dále je v práci uvedena oblast využití schopnosti predikce síťového provozu, je zde uveden návrh systému pro dynamickou alokaci šířky pásma s konkrétním popisem jeho predikční části. V práci je také uvedeno možné využití navrhnutého systému pro dynamickou alokaci šířky pásma.
|
|
|
Využití neuronových sítí pro predikaci síťového provozu
Pavela, Radek ; Mačák, Jaromír (oponent) ; Kacálek, Jan (vedoucí práce)
V této práci jsou prodiskutovány statické vlastnosti síťového provozu. Dále jsou rozebrány možnosti jeho predikce, se zaměřením na neuronové sítě. Konkrétně tedy hlavně rekurentní neuronové sítě. Trénovací data byla stažena z volně přístupného odkazu. Jde o zachycené pakety provozu LAN sítě z roku 2001. Nejsou nejaktuálnější, ale lze pomocí nich dosáhnout cílů práce. Vstupní data bylo třeba zpracovat do přijatelné podoby. Ve vývojovém prostředí Visual studio 2005 byl vytvořen program na agregaci intenzit těchto dat. Sloučení se jevilo nejvhodnější po intervalech 100 ms. Tím bylo dosaženo vstupního vektoru, který byl rozdělen podle potřeby sítí na trénovací cást a testovací část. Jednotlivé typy sítí pracovaly se stejnými vstupními daty, čímž se dosahovalo objektivnějších výsledků. Z praktického hlediska bylo třeba ověření dvou principů. Principu trénování a principu generalizace. První ze jmenovaných vyžadoval přikládání trénovacích vzorů a ověřování trénování pomocí gradientu a střední chyby. Druhý představoval přiložení neznámých vzorů na neuronovou síť. Sledována byla reakce sítě na tato data. Lze říci, že nejlepším modelem se jevila obecná neuronová síť (LRN). Proto bylo řešení rozvíjeno v tomto směru, kdy následovalo hledání vhodné varianty této rekurentní sítě a její otpimální konfigurace. Nalezenou variantou je topologie 10-10-1. Bylo využíváno programu Matlab 7.6, s nástavbou Neural network toolbox 6. Výsledky jsou zpracovány formou grafů a závěrečným zhodnocením. Všechny úspěšné modely a topologie sítí jsou na přiloženém CD. Avšak Neural network toolbox vykazuje určité problémy při jejich importu. Při tvoření této práce nebylo funkce importu sítě prakticky využíváno. Síť lze importovat, ale většinou se jeví jako nenatrénovaná. Neúspěšné modely sítí nejsou v práci prezentovány, neboť by došlo ke zhoršení přehlednosti a orientace.
|
|
| |
|
| |
|
| |
|
| |
host ::
RSS.