Mélytanuló eljárások vizsgálata pénzügyi idősorok kombinált modellezésében
Napjainkban egyre több megközelítés létezik, a pénzügyi idősorok adatvezérelt modellezésére. Köszönhetően a növekedett számítási teljesítménynek és az interneten elérhető adathalmazok számának, ezen algoritmusok végrehajtása hatékonyabbá vált. Az elmúlt években a kriptovaluta piac térhódítása miatt, a sokszor igen drága pénzügyi idősorok helyett gépi tanuló modelleket a kriptodevizák ingyenesen elérhető adatain lehetséges tanítani és tesztelni. A kriptuvaluta és a részvény piac számos közös, és számos különböző tulajdonságot tartalmaz.
Dolgozatomban különböző, a célalkalmazás területéhez illesztett felépítésű mély neurális hálózat architektúrákat vizsgálok meg és értékelek ki, hogy az ajánlati könyvek bevonásával lehetséges-e javítani egy adott pénzügyi idősor modellezését.
Munkámban áttekintem a kapcsolód szakirodalmat, majd összehasonlítom különböző ingyenesen elérhető szolgáltatásokat, majd kiválasztás után letöltök 5 másodperces periódussal a pillanatnyi árat (nyitó, záró, magas, alacsony), forgalom és ajánlati könyvet. A letöltött adatokat elemzem és kidolgozok egy iteratív eljárást, amivel az adatokat olyan formátumba tudom hozni, amely alkalmas a neurális hálózatok tanítására. Munkámban többek között vizsgálom, hogy a rendelkezésre álló adat növekedésével javul-e a neurális hálózat pontossága. Az adatokat előbb LSTM hálózattal az ár adatokon modellezem, majd konvolúciós hálózattal külön, csak az ajánlati könyvekből. Ezután a kettő módszer és adat kombinációjával törekszek előállítani egy ezeknél jobb eredményt a bemenet, illetve a hálózat felépítésének módosításával. Minden esetben a modell előállítását követően vizsgálom a hiperparaméterek hatását a pontosságra. Végül a kapott eredményt objektívan összefoglalom és kiértékelem.
szerző
-
Vatamány Lóránd
Mérnök informatikus szak, alapképzés
alapképzés (BA/BSc)
konzulens
-
Dr. Gyires-Tóth Bálint
adjunktus, Távközlési és Médiainformatikai Tanszék
