Finantsaegridade prognoosimine ja kauplemine LSTM tehisnärvivõrguga
Nimi
Vahur Madisson
Kokkuvõte
Andmeteaduse kasv võimaldab masinõppe jõudsat arengut ning uute tehnoloogiatega saab tõhusamalt rakendada viimastel aastakümnetel välja töötatud algoritme. Masinõppe meetodid võivad edestada prognoosimise statistilisi meetodeid, eriti kui andmetel nagu näiteks finantsaegridadel on mittelineaarseid omadusi. Lõputöö eesmärk on esitada teoreetiline sissejuhatus ja praktilised sammud prognoosimeetodite juurutamiseks finantsaegridadele aktsiaturu indeksi näitel, leides võimalikult tulemuslikku seadet tehisintellekti algoritmimeetodi - pikaajalise lühimälu (LSTM) närvivõrgule. Prognooside põhjal kauplemiseks on koostatud asjakohane kauplemisstrateegia. Empiiriline uuring keskendub LSTM mudeli prognoosimisvõime parimale rakendamisele ja tulemustele võrreldes baasmeetoditega kasutades Pythoni programmeerimiskeele Kerase paketti. Uuringu tulemused aitavad hinnata praktilist kasu LSTM kaudu finantsaegridade prognoosimisel ja nende põhjal kauplemisel. Tulemusi hinnatakse prognooside täpsuse ja kauplemisreeglitega saavutatud kasumlikkuse osas. Tulemuste põhjal võib väita, et LSTM mudeli prognoositulemused on konkurentsivõimelised ja kasumlikud ning edestavad baasmeetodeid.
Lõputöö keel
inglise
Lõputöö tüüp
Magister - Infotehnoloogia mitteinformaatikutele
Juhendaja(d)
Toomas Raus, Meelis Kull
Kaitsmise aasta
2021