The advancement of Deep Learning (DL) has transformed industries by enabling machines to learn from extensive data and make real-time decisions. This potential has been particularly impactful in recognizing patterns in complex time series data, allowing for prediction, classification and anomaly detection. In financial markets, real-time analysis is crucial due to their complexity and data volume. This thesis focuses on real-time detection of Structural Breaks (SBs) – abrupt shifts in regression model parameters – in the context of daily pairs trading. SBs pose a significant risk to such strategies, as deviations from historical correlation patterns can affect profitability. This thesis leverages DL to address this challenge since traditional statistical methods often struggle with dynamic market complexities. This study’s outcomes are noteworthy, highlighting the viability of a very efficient DL model for real-time SB detection. Given the rarity of SBs, a synthetic dataset emulating these occurrences is used for training DL models. Furthermore the results emphasize the indispensability of a data augmentation process to construct a valid dataset. Additionally, utilizing asset return values instead of closing prices yields substantial performance improvements. In terms of model efficacy, the approach that exhibits the most promising results is one that adeptly captures intricate patterns, leveraging both temporal and frequency information of the time series. Notably, utilizing Long Short-Term Memory (LSTM) networks and Convolutional Neural Networks (CNN) for detecting these patterns yields exceptional performance. Simultaneously, variations of this model, even in their simpler forms, demonstrate favorable outcomes.

Utvecklingen av Deep Learning (DL) har förändrat branscher genom att göra det möjligt för maskiner att lära sig av omfattande data och fatta beslut i realtid. Denna potential har varit särskilt betydelsefull när det gäller att känna igen mönster i komplexa tidsseriedata, vilket möjliggör förutsägelser, klassificering och anomalidetektering. På finansmarknaderna är realtidsanalys avgörande på grund av deras komplexitet och datavolym. Denna avhandling fokuserar på realtidsdetektering av strukturella brott (SB) - plötsliga förändringar i regressionsmodellparametrar - i samband med daglig parhandel. SBs utgör en betydande risk för sådana strategier, eftersom avvikelser från historiska korrelationsmönster kan påverka lönsamheten. Denna avhandling utnyttjar DL för att hantera denna utmaning eftersom traditionella statistiska metoder ofta kämpar med dynamiska marknadskomplexiteter. Resultaten av denna studie är anmärkningsvärda och belyser genomförbarheten av en mycket effektiv DL-modell för realtidsdetektering av SB. Med tanke på att SB är sällsynta används ett syntetiskt dataset som emulerar dessa händelser för att träna DL-modeller. Dessutom betonar resultaten nödvändigheten av en dataförstärkningsprocess för att konstruera en giltig dataset. Dessutom ger användning av avkastningsvärden istället för stängningskurser betydande prestandaförbättringar. När det gäller modelleffektivitet är det tillvägagångssätt som uppvisar de mest lovande resultaten ett som skickligt fångar intrikata mönster och utnyttjar både tids- och frekvensinformation i tidsserien. Särskilt användningen av Long Short-Term Memory (LSTM) -nätverk och Convolutional Neural Networks (CNN) för att upptäcka dessa mönster ger exceptionell prestanda. Samtidigt visar variationer av denna modell, även i sina enklare former, gynnsamma resultat.