|
Využití SVM v prostředí finančních trhů
Štechr, Vladislav ; Prochocká, Kristína (oponent) ; Budík, Jan (vedoucí práce)
Tato diplomová práce se zabývá využitím regrese nebo klasifikace pomocí metody podpůrných vektorů SVM z oblasti strojového učení. SVM predikují hodnoty, které jsou používány k rozhodování automatického obchodovacího systému. Regrese a klasifikace jsou hodnoceny z hlediska použitelnosti pro rozhodování. Strategie je následně optimalizována, testována a vyhodnocována na množině historických dat devizového trhu Forex. Výsledky obchodování jsou slibné. Strategie by mohla být využita v kombinaci s jinou strategií, která by potvrzovala rozhodnutí o vstupu a výstupu z obchodů.
|
|
Otestování indikátorů technické analýzy pro burzovní obchodování
Kaděra, Miroslav ; Hrubý, Martin (oponent) ; Rozman, Jaroslav (vedoucí práce)
Tématem práce je ověření vlastností indikátorů technické analýzy z hlediska jejich vhodnosti pro použití v automatických obchodních systémech pro burzovní obchodování. Práce testuje chování jednoduchého klouzavého průměru, exponenciálního klouzavého průměru a indikátoru RSI. Ke každému indikátoru byl vytvořen jednoduchý testovací automatický obchodní systém. Výnosnost tohoto obchodního systému byla testována v závislosti na různých parametrech použitého indikátoru. Testování bylo provedeno na historických minutových datech za posledních více než 10 let. Výsledky ukazují, že výnosnost systému lze optimalizací parametrů zvýšit až o desítky procent. Pro stabilně profitující obchodování je však zřejmě nutné propracovat více pravidel, než jen parametry indikátorů.
|
|
Algoritmické obchodování na burze s využitím dat z Twitteru
Kříž, Jakub ; Plchot, Oldřich (oponent) ; Szőke, Igor (vedoucí práce)
Práce se zabývá tvorbou systému, který na základě analýzy historických burzovních dat a zpráv z Twitteru predikuje budoucí vývoj trhu. Tweety ze dvou různých sad jsou analyzovány pomocí náladových slovníků nebo přes rekurentní neuronovou síť. Z výsledků této analýzy a technické analýzy burzovních dat je pomocí vrstvené neuronové sítě prováděna predikce. Dle predikce poté systém vytvoří a otestuje obchodní strategii. V rámci práce je navržen a implementován celý systém, který pomocí dat z analýzy tweetů dosáhl zvýšení výnosu některých obchodních strategií o více než 25 %. Toto zlepšení však platí jen pro konkrétní data a časové období.
|
| |
| |
| |
|
Návrh automatického obchodního systému s využitím fraktální geometrie
Malý, Petr ; Dostál, Petr (oponent) ; Budík, Jan (vedoucí práce)
Tato diplomová práce se zabývá analýzou a predikcí devizových trhů. Práce vychází z hypotézy fraktálního trhu a k jeho predikci využívá nástroje založené na fraktální geometrii. V rámci práce jsou také diskutovány možnosti využití pokročilých nástrojů umělé inteligence na devizových trzích. Výsledkem práce je implementovaný automatický obchodní systém, jehož výsledky jsou v závěru práce testovány na historických i aktuálních datech.
|
|
Návrh a využití automatického obchodního systému pro zhodnocení kapitálu podniku
Kněžínek, Michal ; Suchomel, Michal (oponent) ; Budík, Jan (vedoucí práce)
Diplomová práce pojednává o možnostech investování na kapitálovém trhu se zaměřením na trh s cizími měnami. Analýza podniku, jejímž výstupem je SWOT analýza je zaměřena na ekonomické zdůvodnění investice. Podstatou je návrh automatických obchodních systémů, které budou automaticky obchodovat na základě informací z trhu a zhodnocovat tak investovaný kapitál. Tyto automatické systémy jsou navrženy v analytickém prostředí platformy MetaTrader a jejich parametry optimalizovány pomocí genetických algoritmů.
|
| |
|
Algoritmické obchodování na burze s využitím dat z Twitteru
Kříž, Jakub ; Plchot, Oldřich (oponent) ; Szőke, Igor (vedoucí práce)
Práce se zabývá tvorbou systému, který na základě analýzy historických burzovních dat a zpráv z Twitteru predikuje budoucí vývoj trhu. Tweety ze dvou různých sad jsou analyzovány pomocí náladových slovníků nebo přes rekurentní neuronovou síť. Z výsledků této analýzy a technické analýzy burzovních dat je pomocí vrstvené neuronové sítě prováděna predikce. Dle predikce poté systém vytvoří a otestuje obchodní strategii. V rámci práce je navržen a implementován celý systém, který pomocí dat z analýzy tweetů dosáhl zvýšení výnosu některých obchodních strategií o více než 25 %. Toto zlepšení však platí jen pro konkrétní data a časové období.
|