В данной выпускной квалификационной работе исследованы и применены модели глубокого машинного обучения для анализа и прогнозирования краткосрочных ценовых движений на финансовых рынках. Основной целью работы является изучение эффективности использования глубоких нейронных сетей, таких как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), для прогнозирования ценовых движений. Исследование основано на данных, полученных с API Tinkoff, включающих 7 269 изображений временных рядов и файлов CSV, разделенных на три класса: buy, sell и neutral. В работе были рассмотрены три модели: CNN с механизмом внимания, CNN с двумя путями и RNN с использованием GRU. Новизна исследования заключается в использовании моделей, обрабатывающих временные ряды как изображения, что является новаторским подходом и открывает новые перспективы для повышения точности и скорости прогнозов. Результаты показали, что модели глубокого машинного обучения могут эффективно анализировать и прогнозировать краткосрочные ценовые движения. Модель RNN с использованием GRU продемонстрировала наилучшую точность (94.67%) и низкие потери (0.13). Модель CNN с двумя путями также показала хорошие результаты с точностью 82.67% и потерями 0.72. Модель CNN с механизмом внимания, несмотря на более умеренные результаты, обладает потенциалом для дальнейшего улучшения благодаря способности фокусироваться на наиболее значимых частях данных. Применение глубоких нейронных сетей может значительно улучшить точность и оперативность торговых стратегий. Разработанные модели могут быть использованы трейдерами и финансовыми аналитиками для повышения эффективности принятия решений на высоковолатильных рынках. / This master's thesis investigates and applies deep machine learning models for analyzing and predicting short-term price movements in financial markets. The main goal of the work is to study the effectiveness of using deep neural networks, such as convolutional neural networks (CNN) and recurrent neural networks (RNN), for predicting price movements. The study is based on data obtained from the Tinkoff API, including 7,269 time series images and CSV files divided into three classes: buy, sell, and neutral. The work considered three models: CNN with attention mechanism, CNN with dual paths, and RNN with GRU. The novelty of the research lies in the use of models that process time series as images, which is an innovative approach and opens new prospects for improving the accuracy and speed of forecasts. The results showed that deep machine learning models can effectively analyze and predict short-term price movements. The RNN model with GRU demonstrated the highest accuracy (94.67%) and low losses (0.13). The CNN model with dual paths also showed good results with an accuracy of 82.67% and losses of 0.72. The CNN model with attention mechanism, despite more moderate results, has the potential for further improvement due to its ability to focus on the most significant parts of the data. The application of deep neural networks can significantly improve the accuracy and timeliness of trading strategies. The developed models can be used by traders and financial analysts to enhance decision-making efficiency in highly volatile markets.
| Identifer | oai:union.ndltd.org:urfu.ru/oai:elar.urfu.ru:10995/140515 |
| Date | January 2024 |
| Creators | Крупский, А. В., Krupskii, A. V. |
| Contributors | Ронкин, М. В., Ronkin, M. V., УрФУ. Институт радиоэлектроники и информационных технологий-РТФ, Кафедра информационных технологий и систем управления |
| Publisher | б. и. |
| Source Sets | Ural Federal University |
| Language | Russian |
| Detected Language | Russian |
| Type | Master's thesis, info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Rights | Предоставлено автором на условиях простой неисключительной лицензии, http://elar.urfu.ru/handle/10995/31613 |
Page generated in 0.0018 seconds