Pénzügyi idősorok analízise és elektronikus kereskedés

OData támogatás
Konzulens:
Dr. Levendovszky János
Hálózati Rendszerek és Szolgáltatások Tanszék

Jelen dolgozat nagyfrekvenciás kereskedési algoritmusokkal foglalkozik, melyeket különböző célfüggvények és adaptív módszerek segítségével (SVM, neurális hálózat, HMM) valósít meg.

Egyúttal megpróbáltam a független komponens analízist előfeldolgozási eljárásként felhasználni a NARX és SVM alapú kereskedési algoritmusok javítására.

A munka kiemelten foglalkozik egy Rejtett Markov Modell alapú algoritmikus kereskedéssel, amiben az optimális portfólió jövőbeli értékét egy HMM jósolja. Az autoregresszív HMM-ek kiemelkedő modellező erejére támaszkodva mean reverting és más idősorok jó minőségű előrejelzése válik lehetővé.

A dolgozat másik fő eredménye az algoritmikus kereskedési stratégiák nagysebességű GPGPU alapú implementációja. Az átfogó numerikus analízis mellett, melyet nagyfrekvenciás FOREX adatsoron végeztem, részletes sebességprofilt is készítettem, mely bebizonyította, hogy az új implementáció megnyitja az utat a nagyfrekvenciás algoritmikus kereskedés felé.

A dolgozat az eljárások részletes sebesség analízisét is tartalmazza.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.