Späť


Obchodovanie na FOREXE s využitím umelých neurónových sietí

Garant: Ing. Lukáš Falát, PhD.
Učitelia: Ing. Lukáš Falát, PhD.
Počet študentov: 2 - 6

V tomto inžinierskom projekte sa študenti sústredia na aplikáciu strojového učenia pre finančné trhy. V súčasnej dobe, s rozvojom strojového učenia, neurónových sietí a iných prostriedkov umelej inteligencie čoraz viac veľkých finančných inštitúcií zameriava svoju pozornosť práve na využitie AI do oblasti obchodovania na finančných trhoch. Finančné trhy predstavujú obrovský ziskový potenciál. Len samotný forex dosahuje denný objem viac než 3 bilióny USD, nehovoriac o akciách, komoditách či ich derivátoch. Avšak, len malé percento obchodníkov je v tomto systéme úspešných. Súvisí to s veľkou dynamickosťou a premenlivosťou týchto systémov. Niektorí dokonca udádzajú, že tieto systémy sú nepredikovateľné. Avšak, napriek týmto vyhláseniam existuje viacero subjektov, ktorí využívajú strojové učenia na generovanie pravidelných ziskov. 

Cieľom tohto projektu je vytvorenie automatizovaného obchodovacieho systému, ktorý bude schopný obchodovať samostatne, bez zásahu človeka a bude tak konzistentný v obchodovaní. Jadrom uvedeného systému bude predikčný model. Pre prognózovanie vysokofrekvenčných dát, aké sú vo finančnom systéme bežné, bude slúžiť model umelej neurónovej siete. Umelé neurónové siete sú dnes extrémne populárna vetva strojového učenia. Ich obľúbenosť plynie z viacerých dôvodov. Jedným z nich je fakt, že neurónové siete môžu byť aplikované na široké spektrum problémov zahŕňajúc klasifikáciu, regresiu či nesupervizované učenie. Ďalším dôvodom je fakt, že sú schopné modelovať nelinearitu v dátach a majú schopnosť generalizácie. Tento projekt sa konkrétne bude zameriavať na hlboké neurónové siete (deep neural networks). Hlboké neurónové siete sú dnes vlajkovou loďou strojového učenia a v oblasti strojového učenia dnes azda neexistuje viac používaný model než hlboká neurónová sieť. Práve hlboké neurónové siete majú vďaka svojej štruktúre schopnosť riešiť komplexné a zložité problémy. Študenti sa budú zaoberať tvorbou hlbokých neurónových sietí, ktoré by boli schopné riešiť vybrané problémy (klasifikačné/regresné) efektívne. Samotná implementácia neurónových sietí sa bude realizovať v programovacom jazyku Python s využitím frameworkov Tensorflow a Keras.

Ďalšími krokmi bude implementácia samotného automatizovaného obchodovacieho systému, skúmanie, testovanie a definovanie vstupných a výstupných signálov, tvorba money manažmentu a obchodovacej stratégie. V tejto časti bude predpoklad oboznámenie sa aj s odbornými nástrojmi z oblasti obchodovania na finančných trhoch (najmä technické indikátory). Uvedený systém bude backtestovaný a validovaný na ex-post množine pre čo možno najvyššiu mieru objektívnosti výsledkov.

Cieľom projektu je:

-  osvojiť si znalosti strojového učenia, získať znalosti z teórie neurónových sietí

-  osvojiť si prácu s Pythonom, resp. jeho frameworkami pre hlboké učenie (Tensorflow, Keras)

-  vedieť využiť hlboké neurónové siete pre predikčné účely v praxi

-  navrhnúť a implementovať efektívne modely hlbokých neurónových sietí s využitím programovacieho jazyka Python a frameworkov Tensorflow a Keras

Harmonogram projektu:

1.  Analýza súčasného stavu

2.  Teoretické základy umelých neurónových sietí – základný model neurónovej siete, MLP model, učenie siete

3.  Oboznámenie s hlbokými neurónovými sieťami typu

4.  Oboznámenie s programovacím jazykom Python a frameworkami pre hlboké učenie (Tensorflow, Keras)

5.  Implementácia modelu hlbokej neurónovej siete

6.  Tvorba automatizovaného obchodovacieho systému, experimenty a získavanie znalostí z uvedených postupov

LITERATÚRA:

D. Marček, Umelé neurónové siete a aplikácie, EDIS, Žilinská univerzita, Žilina, 2006.

Tensorflow - API Documentation https://www.tensorflow.org/api_docs/

Keras Documentation https://keras.io/

Michael A. Nielsen, "Neural Networks and Deep Learning", Determination Press, 2015

Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning (Adaptive Computation and Machine Learning series)

https://www.learnpython.org/

D. Marček, M. Marček, L. Pančíková: Ekonometria a soft computing, EDIS, Žilinská univerzita, Žilina, Slovakia, 2008

James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R, Springer, 426p, ISBN 978-1461471370



Mám záujem o projekt
0
študentov
0
učiteľov
0
partnerov

Partneri FRI

Platinový partner

Hlavný partner

Partneri

Projekty a centrá FRI

Projekty

Inteligentné operačné a spracovateľské systémy pre UAV
Transdata
IT akadémia
ACeSYRI
SmartSoc
TECH4EDU4
Centre in Advanced Biomedical and Medical Informatics

Centrá

Cisco Network Academy
PEARSON VUE - Aturizované centrum