Pénzügyi idősorok előre jelzése rekurrens neurális hálózatokkal

OData támogatás
Konzulens:
Petróczi Attila István
Távközlési és Médiainformatikai Tanszék

A gazdasági életben az elérhető befektetések közötti döntés szorosan összefügg azok értékének várható alakulásával. Amennyiben meg tudjuk becsülni egy-egy pénzügyi esz­­köz értékének jövőbeli változásait, csökkenthetjük a befektetéseink kockázatát és nö­vel­­hetjük a hasz­nun­kat. A gazda­sági folyamatok bonyolultsága végett a befektetési dön­té­sekre nehéz egyszerű heurisz­tikus megfontolásokat tenni, valódi pénzügyi sikerek eléréséhez intelligens megköze­lítésre van szükség.

Nap­ja­ink­ban általánosnak mondható, hogy a kereskedők döntés­tá­mo­gató rend­sze­rek segítségét veszik igénybe a jobb eredmény elérése érdekében, de nem újszerű megközelítés a teljesen önálló működésre képes kereskedő robotok alkalmazása sem. Ezek között igen gyakoriak a mester­séges neuronhálókon alapuló megoldások. A mes­ter­séges neuronhálók egyik vonzó tulajdonsága, hogy tanulásra képesek, így önállóan el tudják sajátítani a nyereséges kereskedés fortélyait. Az ilyen, neurális hálókkal fel­é­pített előrejelzőn alapuló automatizált rendszerrel elérhető profit könnyen fel­ül­­múl­hatja a szokványos befektetési lehetőségek eredményét.

Dolgozatomban adatbányászati megközelítésben vizsgálom annak lehetőségét, hogyan lehet neurális hálókon alapuló mesterséges intelligenciával teljesen ki­váltani a befektetésekhez szükséges emberi közreműködést. Olyan rendszert készítek, amely képes tőzsdei részvényekkel önállóan nyereségesen kereskedni. Kiemelt figyel­met for­dí­tok a megoldásom valós környezetben történő alkalmaz­ha­tó­sá­gá­ra. Be­mu­ta­tom, hogyan tehetünk megfontolásokat az előrejelző modell felépí­té­sé­re a keres­ke­dési költ­sé­gek és az egyes árfo­lyamok viselkedése alap­ján. A legjobb modell paraméterek meg­ha­tá­rozására evolúciós algoritmusokat használok. Kísérletet teszek a szokványos neurális model­­lek olyan bővítésére, amellyel a gaz­da­sági folyamatról birtokolt explicit tudá­sun­kat is be tudjuk építeni azok működésébe. Figyelmem egy a hagyományos neurális meg­ol­dások által elhanyagolt jelen­ségre, az árfolyamok ismétlődő viselkedésmintáira irányítom abban bíz­va, hogy ez­zel javíthatok a kereskedés eredményén.

A megtervezett rendszert implementálom és valós környezetből származó árfolyam adatokon mérem a teljesítményét. Ezzel végül összegszerűsített formában is jellemezni tudom a megalkotott modell befektetési sikereit.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.