Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Deep learning models as advisors to execute trades on financial markets
KTH, Skolan för elektroteknik och datavetenskap (EECS).
2018 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)Alternativ titel
Modeller med djupa artificiella neuronnät som rådgivare vid affärer på finansmarknader (Svenska)
Abstract [en]

Recent work has shown that convolutional networks can successfully handle time series as input in various different problems. This thesis embraces this observation and introduces a new method combining machine learning techniques in order to create profitable trading strategies. The method addresses a binary classification problem: given a specific time, access to prices before this moment and an exit policy, the goal is to forecast the next price movement. The classification method is based on convolutional networks combining two major improvements: a special form of bagging and a weight propagation, to enhance the accuracy and reduce the overall variance of the model. The rolling learning and the convolutional layers are able to exploit the time dependency to strongly improve the trading strategy. The presented architecture is able to surpass the expert traders.

Abstract [sv]

Nyligen utförda arbeten har visat att faltningsnätverk framgångsrikt kan hantera tidsserier som indata i olika problem. Observationen utnyttjas i detta examensarbete som introducerar en ny metod som kombinerar tekniker för maskininlärning för att skapa lönsamma handelsstrategier. Metoden löser ett binärt klassificeringsproblem: beroende på en viss tidpunkt, tillgång till priser före denna tidpunkt och ett säljkriterium så är målet att förutsäga nästa prisvariation. Klassificeringsmetoden baseras på faltningsnätverk som kombinerar två stora förbättringar: en speciell form av bagging och en viktpropagering för att förbättra noggrannheten och reducera modellens varians. Det rullande lärandet och faltningsnätverken kan utnyttja tidsberoendet för att förbättra handelsstrategin. Den presenterade arkitekturen klarar av att prestera bättre än experthandlare.

Ort, förlag, år, upplaga, sidor
2018. , s. 49
Serie
TRITA-EECS-EX ; 2018:605
Nationell ämneskategori
Data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:kth:diva-235782OAI: oai:DiVA.org:kth-235782DiVA, id: diva2:1253330
Handledare
Examinatorer
Tillgänglig från: 2018-10-04 Skapad: 2018-10-04 Senast uppdaterad: 2018-10-04Bibliografiskt granskad

Open Access i DiVA

fulltext(1366 kB)286 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 1366 kBChecksumma SHA-512
3c456bac43ea1c56b41d81e786906e945b8c32f8404d42ae49fb113c38520e75a825cf476302aef20c80127e8e77136b269bd8cf7f5266f545f102ca56031f4e
Typ fulltextMimetyp application/pdf

Av organisationen
Skolan för elektroteknik och datavetenskap (EECS)
Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 286 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 1293 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf