Technikai Elemzés és Mély Tanulás Alapú Nagy Frekvenciás Kereskedés a Kriptopénz Piacokon

OData támogatás
Konzulens:
Nagy Gábor
Távközlési és Médiainformatikai Tanszék

Megvizsgáltuk a leginkább idézett tudományos irodalmakat a technikai elemzés alapú kereskedéstől és annak hatékonyságáról a különböző piacokon és időszakokban. Nagy vonalakban áttekintettük az FFN-ekről és az RNN-ről szóló irodalmakat és azok alkalmazását a pénzügyi idősor-előrejelzésben. Megmutattuk a legnépszerűbb elméleteket, amelyek a technikai kereskedelem elméletét magyarázzák szöges ellentétben a Hatékony Piacok Elméletével. Különböző statisztikai teszteket és teljesítménymutatókat soroltuk fel és a nyilvánvaló jelölt a megtérülesi teljesítménymutató mellett a Sharpe rátát és a Welch ttesztjének statisztikáját használtuk fel. Szigorúan meghatároztuk az általunk használt kriptopénzek és tőzsdék körét. Javítottuk a legnépszerűbb vizuális technikai kereskedési minták meghatározásán, és implementáltuk őket Cython és Python Numpy alkalmazásokban a gyors teljesítmény érdekében. Technikai mutatóinkkal és vizuális mintáinkkal elemeztük a nagy gyakoriságú napközbeni kriptopénz idősorokat, és bizonyos esetekben statisztikailag szignifikánsan magas feltételes hozamot regisztráltunk a teszt és validációs időszakainkban. A hosszú rövid távú memória (LSTM) alapú mély visszatérő neurális hálózat (DRNN) azonban a GARCH modellel együtt meghaladta az elvárásaimat. Az általam kifejlesztett DRNN-alapú kereskedelmi rendszer statisztikailag szignifikáns, majdnem 300% -os hozamot ígér a 2017-10-18 tól 2019-02-01 tartó időszakra.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.