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
Sequence-to-sequence learning of financial time series in algorithmic trading
Högskolan i Borås, Akademin för bibliotek, information, pedagogik och IT.
Högskolan i Borås, Akademin för bibliotek, information, pedagogik och IT.
2017 (Engelska)Självständigt arbete på grundnivå (kandidatexamen), 10 poäng / 15 hpStudentuppsats (Examensarbete)Alternativ titel
Sekvens-till-sekvens-inlärning av finansiella tidsserier inom algoritmiskhandel (Svenska)
Abstract [en]

Predicting the behavior of financial markets is largely an unsolved problem. The problem hasbeen approached with many different methods ranging from binary logic, statisticalcalculations and genetic algorithms. In this thesis, the problem is approached with a machinelearning method, namely the Long Short-Term Memory (LSTM) variant of Recurrent NeuralNetworks (RNNs). Recurrent neural networks are artificial neural networks (ANNs)—amachine learning algorithm mimicking the neural processing of the mammalian nervoussystem—specifically designed for time series sequences. The thesis investigates the capabilityof the LSTM in modeling financial market behavior as well as compare it to the traditionalRNN, evaluating their performances using various measures.

Abstract [sv]

Prediktion av den finansiella marknadens beteende är i stort ett olöst problem. Problemet hartagits an på flera sätt med olika metoder så som binär logik, statistiska uträkningar ochgenetiska algoritmer. I den här uppsatsen kommer problemet undersökas medmaskininlärning, mer specifikt Long Short-Term Memory (LSTM), en variant av rekurrentaneurala nätverk (RNN). Rekurrenta neurala nätverk är en typ av artificiellt neuralt nätverk(ANN), en maskininlärningsalgoritm som ska efterlikna de neurala processerna hos däggdjursnervsystem, specifikt utformat för tidsserier. I uppsatsen undersöks kapaciteten hos ett LSTMatt modellera finansmarknadens beteenden och jämförs den mot ett traditionellt RNN, merspecifikt mäts deras effektivitet på olika vis.

Ort, förlag, år, upplaga, sidor
2017.
Nyckelord [en]
deep learning, machine learning, quantitative finance, algorithmic trading, blackbox trading, lstm, rnn, time series forecasting, prediction, tensorflow, keras, forex, neural network, econometrics
Nyckelord [sv]
finans, algoritmisk handel, tidsserier, prediktion, maskininlärning, forex, neurala nätverk, tensorflow, keras, kvantitativ finans, lstm, rnn, ekonometri
Nationell ämneskategori
Systemvetenskap, informationssystem och informatik
Identifikatorer
URN: urn:nbn:se:hb:diva-12602OAI: oai:DiVA.org:hb-12602DiVA, id: diva2:1142444
Ämne / kurs
Informatik
Handledare
Examinatorer
Tillgänglig från: 2017-09-21 Skapad: 2017-09-19 Senast uppdaterad: 2018-01-13Bibliografiskt granskad

Open Access i DiVA

fulltext(5127 kB)1712 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 5127 kBChecksumma SHA-512
9435dbf5b354da5ad189f6f7ac4df5ca1aad2efa8cf99abf44038eb7c0fc23622a8cb86c03c88f5778aa451be62605727a900b90c008e9060a2f3bbe6dd7509c
Typ fulltextMimetyp application/pdf

Av organisationen
Akademin för bibliotek, information, pedagogik och IT
Systemvetenskap, informationssystem och informatik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 1712 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: 2058 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