This thesis deals with the possibilities of electronic stock trading of currency pairs. It analyzes the basic conditions and criteria which trader needs to meet to be able to participate on this market. This master’s thesis describes the use of technical indicators and fundamental messages through electronic trading platforms. Further thesis graphically compares the types of trading according to the time horizonts and then concludes suggestions and recommendations.

Práca si kladie za cieľ vytvorenie obchodného systému pre intradenné obchodovanie US akciových indexov. Autor sa v teoretických východiskách zameriava na vysvetlenie základných pojmov obchodovania US indexov na intradennej báze a obchodovania všeobecne. V ďalšej kapitole je popísaná súčastná situácia – tvorba obchodného plánu a vysvetlené principy na ktorých je plán založený. V návrhovej časti je predstavený kompletný systém pre intradenné obchodovanie US akciových indexov.

This work deals with the usage of neural network for the purpose of stock market prediction. A basic stock market theory and trading approaches are mentioned at the beginning of this work. Then neural networks and their application are discussed with their deeper description. Similar approaches are referred and finally two new prediction systems are designed. These systems are utilized by proposed trading model and tested on selected data. The results are compared to human and random trading models and new development steps are devised at the end of this work.

Deep learning techniques have exhibited remarkable capabilities in capturing nonlinear patterns and dependencies in time series data. Therefore, this study investigates the application of the Long-Short-Term-Memory (LSTM) algorithm for stock price prediction in intraday quantitative trading using Swedish stocks in the OMXS30 index from February 28, 2013, to March 1, 2023. Contrary to previous research [12, 32] suggesting that past movements or trends in stock prices cannot predict future movements, our analysis finds limited evidence supporting this claim during periods of high volatility. We discover that incorporating stock-specific technical indicators does not significantly enhance the predictive capacity of the model. Instead, we observe a trade-off: by removing the seasonal component and leveraging feature engineering and hyperparameter tuning, the LSTM model becomes proficient at predicting stock price movements. Consequently, the model consistently demonstrates high accuracy in determining price direction due to consistent seasonality. Additionally, training the model on predicted return differences, rather than the magnitude of prices, further improves accuracy. By incorporating a novel long-only and long-short trading strategy using the one-day-ahead predictive price, our model effectively captures stock price movements and exploits market inefficiencies, ultimately maximizing portfolio returns. Consistent with prior research [14, 15, 31, 32], our LSTM model outperforms the ARIMA model in accurately predicting one-day-ahead stock prices. Portfolio returns consistently outperforms the stock market index, generating profits over the entire time period. The optimal portfolio achieves an average daily return of 1.2%, surpassing the 0.1% average daily return of the OMXS30 Index. The algorithmic trading model demonstrates exceptional precision with a 0.996 accuracy rate in executing trades, leveraging predicted directional stock movements. The algorithmic trading model demonstrates an impressive 0.996 accuracy when executing trades based on predicted directional stock movements. This remarkable performance leads to cumulative and annualized excessive returns that surpass the index return for the same period by a staggering factor of 800. / Djupinlärningstekniker har visat en enastående förmåga att fånga icke-linjära mönster och samband i tidsseriedata. Med detta som utgångspunkt undersöker denna studie användningen av Long-Short-Term-Memory (LSTM)-algoritmen för att förutsäga aktiepriser med svenska aktier i OMXS30-indexet från den 28 februari 2013 till den 1 mars 2023. Vår analys finner begränsat stöd till tidigare forskning [12, 32] som hävdar att historisk aktierörelse eller trend inte kan användas för att prognostisera framtida mönster. Genom att inkludera aktiespecifika tekniska indikatorer observerar vi ingen betydande förbättring i modellens prognosförmåga. genom att extrahera den periodiska komponenten och tillämpa metoder för egenskapskonstruktion och optimering av hyperparametrar, lär sig LSTM-modellen användbara egenskaper och blir därmed skicklig på att förutsäga akrieprisrörelser. Modellen visar konsekvent högre noggrannhet när det gäller att bestämma prisriktning på grund av den regelbundna säsongsvariationen. Genom att träna modellen att förutse avkastningsskillnader istället för absoluta prisvärden, förbättras noggrannheten avsevärt. Resultat tillämpas sedan på intradagshandel, där förutsagda stängningspriser för nästkommande dag integreras med både en lång och en lång-kort strategi. Vår modell lyckas effektivt fånga aktieprisrörelser och dra nytta av ineffektiviteter på marknaden, vilket resulterar i maximal portföljavkastning. LSTM-modellen är överlägset bättre än ARIMA-modellen när det gäller att korrekt förutsäga aktiepriser för nästkommande dag, i linje med tidigare forskning [14, 15, 31, 32], är . Resultat från intradagshandeln visar att LSTM-modellen konsekvent genererar en bättre portföljavkastning jämfört med både ARIMA-modellen och dess jämförelseindex. Dessutom uppnår strategin positiv avkastning under hela den analyserade tidsperioden. Den optimala portföljen uppnår en genomsnittlig daglig avkastning på 1.2%, vilket överstiger OMXS30-indexets genomsnittliga dagliga avkastning på 0.1%. Handelsalgoritmen är oerhört exakt med en korrekthetsnivå på 0.996 när den genomför affärer baserat på förutsagda rörelser i aktiepriset. Detta resulterar i en imponerande avkastning som växer exponentiellt och överträffar jämförelseindex med en faktor på 800 under samma period.

The final qualifying work includes: an explanatory note of 75 pages, 30 figures, 6 tables, 51 sources, 1 appendix. The purpose of the work is to create a Web service based on a product approach that allows trading on the Binance exchange, aimed at automating traders' trading operations. The object of the final qualifying work is a set of trader's trading actions and their interaction with the cryptocurrency exchange during trading. The subject of the final qualifying work is the process of developing a web application for trading on the Binance exchange. The work considers the subject area related to trading cryptocurrency assets, analogs of existing web applications for trading and providing access to the exchange. Product research, evaluation and selection of a set of functions and scenarios for automation, technologies, structure and UI, UX interfaces are carried out. The process of managing the web application being developed is described, the choice of development methodologies and team management is carried out. The project planning process, the process of developing a web application that allows trading on a cryptocurrency exchange, difficulties and approaches to solving them, testing and development prospects of the developed application are described. / Цель работы – создание Web-сервиса на основе продуктового подхода, позволяющего осуществлять торговлю на бирже Binance, направленного на автоматизацию торговых операций трейдеров. Объектом выпускной квалификационной работы является набор торговых действий трейдера и его взаимодействие с криптовалютной биржей в процессе торговли. Предметом выпускной квалификационной работы является процесс разработки web-приложения для торговли на бирже Binance. В работе рассматривается предметная область, связанная с торговлей криптовалютными активами, аналоги существующих web-приложений для осуществления торговых операций и обеспечения доступа к бирже. Проводятся продуктовые исследования, оценка и выбор набора функций и сценариев для автоматизации, технологий, структуры и UI, UX интерфейсов. Описывается процесс управления разрабатываемым web-приложением, проводится выбор методологий разработки, управления командой. Описывается процесс планирования проекта, процесс разработки web-приложения, позволяющего осуществлять торговлю на криптовалютной бирже, трудности и подходы к их решению, тестирование и перспективы развития разработанного приложения.