Tato práce se zabývá využitím neuronové sítě na finančních trzích. Neuronová síť feedforward byla naučena a použita k rozpoznávání vzoru v časovém grafu. Pro diplomovou práci byl vybrán vzor, který se nazývá DoubleTop (DT). Pokud je detekován tento vzor, obvykle dochází ke změně trendu, která může poskytnout dobrou obchodní příležitost. Z vybraného vzoru DT bylo vytvořeno několik trénovacích množin, pomocí nichž byla siť naučena. Testování sítě bylo provedeno na předložených datech z reálného finančního trhu a vyzkoušeno vyhledávání vzoru DT.
Annotation in English
This work deals with the neural network exploitation in financial markets. The feedforward neural network was taught and used for the model detection in a time diagram. For this thesis the model was chosen which is named DoubleTop (DT). In case this model is detected it usually comes to a trend change by which a good business opportunity can be provided. Out of the chosen DT model several training sets were created by the help of which the network was taught. The network testing was provided on the submitted data from the real financial market and searching of the DT model was tested.
Keywords
finanční trh, neuronová síť, trénovací množina, testovací množina, DoubleTop
Keywords in English
financial market, neural network, training set, testing set, DoubleTop
Length of the covering note
58 s.
Language
CZ
Annotation
Tato práce se zabývá využitím neuronové sítě na finančních trzích. Neuronová síť feedforward byla naučena a použita k rozpoznávání vzoru v časovém grafu. Pro diplomovou práci byl vybrán vzor, který se nazývá DoubleTop (DT). Pokud je detekován tento vzor, obvykle dochází ke změně trendu, která může poskytnout dobrou obchodní příležitost. Z vybraného vzoru DT bylo vytvořeno několik trénovacích množin, pomocí nichž byla siť naučena. Testování sítě bylo provedeno na předložených datech z reálného finančního trhu a vyzkoušeno vyhledávání vzoru DT.
Annotation in English
This work deals with the neural network exploitation in financial markets. The feedforward neural network was taught and used for the model detection in a time diagram. For this thesis the model was chosen which is named DoubleTop (DT). In case this model is detected it usually comes to a trend change by which a good business opportunity can be provided. Out of the chosen DT model several training sets were created by the help of which the network was taught. The network testing was provided on the submitted data from the real financial market and searching of the DT model was tested.
Keywords
finanční trh, neuronová síť, trénovací množina, testovací množina, DoubleTop
Keywords in English
financial market, neural network, training set, testing set, DoubleTop
Research Plan
Popište finanční trhy se zaměřením na trh futures.
Popište postupy technické analýzy.
Zpracujte popis obchodních indikátorů.
Využijte umělé neuronové sítě, zvolte vhodnou trénovací a testovací množinu pro vybraný typ vzoru cenového grafu.
Posuďte vhodnost využití umělých neuronových sítí pro predikci trendu vývoje cen.
Research Plan
Popište finanční trhy se zaměřením na trh futures.
Popište postupy technické analýzy.
Zpracujte popis obchodních indikátorů.
Využijte umělé neuronové sítě, zvolte vhodnou trénovací a testovací množinu pro vybraný typ vzoru cenového grafu.
Posuďte vhodnost využití umělých neuronových sítí pro predikci trendu vývoje cen.
Recommended resources
ZELINKA, Ivan. Evoluční výpočetní techniky: principy a aplikace. 1. vyd. Praha: BEN - technická literatura, 2009, 534 s. ISBN 978-80-7300-218-3.
FANTA, Jiří. Technologie umělé inteligence na kapitálových trzích. Praha: Karolinum, 1999. 89 s. ISBN 80-7184-866-2.
FANTA, Jiří. Technická analýza kapitálových trhů. 1. vyd. Praha: Karolinum, 1996. 102 s. ISBN 80-7184-308-3.
MURPHY, J. Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. New York Institute of Finance. 1999. 576 s. ISBN 978-0735200661.
ZELINKA, Ivan. Umělá inteligence I: Neuronové sítě a genetické algoritmy. 1. vyd. Brno: VUT v Brně. 1998. 126 s. ISBN 80-214-1163-5.
BOSE, N a Ping LIANG. Neural network fundamentals with graphs, algorithms, and applications. New York: McGraw-Hill. 1996. 478 s. ISBN 00-700-6618-3.
NOVÁK, Mirko, Josef FABER a Olga KUFUDAKI. Neuronové sítě a informační systémy živých organismů. Praha. Grada. 1993. 265 s. ISBN 80-58424-95-9.
BÍLA, Jiří. Umělá inteligence a neuronové sítě v aplikacích. ČVUT. 1996. ISBN 80-01-01275-1.
Recommended resources
ZELINKA, Ivan. Evoluční výpočetní techniky: principy a aplikace. 1. vyd. Praha: BEN - technická literatura, 2009, 534 s. ISBN 978-80-7300-218-3.
FANTA, Jiří. Technologie umělé inteligence na kapitálových trzích. Praha: Karolinum, 1999. 89 s. ISBN 80-7184-866-2.
FANTA, Jiří. Technická analýza kapitálových trhů. 1. vyd. Praha: Karolinum, 1996. 102 s. ISBN 80-7184-308-3.
MURPHY, J. Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. New York Institute of Finance. 1999. 576 s. ISBN 978-0735200661.
ZELINKA, Ivan. Umělá inteligence I: Neuronové sítě a genetické algoritmy. 1. vyd. Brno: VUT v Brně. 1998. 126 s. ISBN 80-214-1163-5.
BOSE, N a Ping LIANG. Neural network fundamentals with graphs, algorithms, and applications. New York: McGraw-Hill. 1996. 478 s. ISBN 00-700-6618-3.
NOVÁK, Mirko, Josef FABER a Olga KUFUDAKI. Neuronové sítě a informační systémy živých organismů. Praha. Grada. 1993. 265 s. ISBN 80-58424-95-9.
BÍLA, Jiří. Umělá inteligence a neuronové sítě v aplikacích. ČVUT. 1996. ISBN 80-01-01275-1.
Enclosed appendices
CD ROM
Appendices bound in thesis
-
Taken from the library
No
Full text of the thesis
Appendices
Reviewer's report
Supervisor's report
Defence procedure record
Diplomantka prezentovala před komisí hlavní cíle a výsledky své diplomové práce.
Prezentace jako celek působila velmi dobrým dojmem, studentka vystihla hlavní body práce.
Následně byla studentka seznámena s posudky vedoucího a oponenta diplomové práce.
Komise vznesla k obhajobě následující dotazy:
1) Prof. Víteček: Jak vám zpracování takového tématu pomohlo k osobnímu zbohatnutí?
2) Doc. Jašek: Proč jste použila zrovna logistickou sigmoidu?
3) Doc. Jašek: Myslíte, že umělá inteligence má využití u takovýchto úloh?
4) Prof. Vlček: Uvažovala jste o měkkém rozhodování?
5) Prof. Prokop: Kolik jste měla vstupů a kolik bylo výstupů?
6) Prof. Prokop: Jaký je rozdíl mezi validním a nevalidním výstupem?
7) Prof. Prokop: Podle čeho se hodnotí úspěšnost sítě?
Diplomantka na dotazy reagovala pohotově, bez zaváhání.