Mély neurális hálózatok alkalmazása pénzügyi idősorok modellezésére historikus adatok és szövegelemzés alapján

OData támogatás
Konzulens:
Dr. Gyires-Tóth Bálint Pál
Távközlési és Médiainformatikai Tanszék

Diplomamunkám keretében pénzügyi idősorokat vizsgáltam új típusú technológiai megközelítéseket ötvözve. A gépi tanulás (Machine Learning) diszciplínán belül, napjainkban újra virágázását élő neurális hálózat alapú mély tanuló (Deep Learning) alkalmazásokra támaszkodva alkottam meg egy olyan komplex rendszert, amely a historikus adatok (technikai) elemzésén túlmenően képes az aktuális gazdasági események hatásait a modellezésbe beépíteni (fundamentális elemzés).

Munkám során megvizsgáltam és alkalmaztam a legfrissebb kutatási területek közé tartozó mély neurális hálózati (Deep Neural Network - DNN) architektúrákat, kezdve az előrecsatolt (Fully Connected, FC) architektúrával, folytatva a rekurrens (Recurrent Neural Network, RNN) hálózatokban rejlő lehetőségek bemutatásával, végül a konvolúciós (Convolutional Neural Network, CNN) rétegek alkalmazásával.

Kutatásom során megvizsgáltam az EUR-USD devizapár, illetve a Budapesti Értéktőzsde kiemelt részvényárfolyamai közül az OTP alakulását az idő függvényében. A mély neurális hálózatokban rejlő képességeket kihasználva megvizsgáltam milyen módon lehet az osztályozás során kapott eredményeket pontosítani. Ennek megvalósításaképpen gazdasági híreket elemeztem az úgynevezett szentiment analízis segítségével, majd hatásukat építettem bele a modellbe.

A modell által előrejelzett eredményeket szükségszerű objektív módon kiértékelni, ezért egy tesztelő alkalmazás (un. backtesting) segítségével mértem, hogy milyen hozamot képes elérni a modell múltbéli adatokon.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.