Details

Title: Прогнозирование на криптовалютных рынках с использованием рекуррентной нейронной сети: выпускная квалификационная работа магистра: 09.04.04 - Программная инженерия ; 09.04.04_01 - Технология разработки и сопровождения качественного программного продукта
Creators: Хусаенов Артур Сиреневич
Scientific adviser: Хромов Валентин Васильевич
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2019
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: Нейронные сети; Искусственный интеллект; криптовалюта; машинное обучение; криптовалютные рынки
UDC: 004.85.032.26:658.14(043.3)
LBC: 65.268.61с51я031
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 09.04.04
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2019/vr/vr19-4610
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Прогнозирование курса валют является одной из важнейших задач количественного финансирования. Участники валютных бирж должны знать подходящее время для покупки или продажи валюты, чтобы максимизировать их доход. Утверждение, что рынок следует случайным блужданием, является спорным. Если бы рынок следовал за ним, то прибыльные профессиональные трейдеры, анализируя временные ряды рынка с помощью технического анализа (ТА), не смогли бы извлечь прибыль. Следовательно, если эксперты финансового рынка, обладающей этой информацией, могут обыграть рынок, то методы машинного обучения (ML) смогут уловить эти модели (или их отсутствие). Цель исследовательской работы состоит в том, чтобы исследовать возможность использования методики глубокого машинного обучения, или рекуррентных нейронных сетей с длительной кратковременной памятью (LSTM), для разработки и обучения модели предсказания курса криптовалют с использованием инфраструктуры Keras, TensorFlow. Полученные результаты с точки зрения эффективности обучения нейронной сети вполне успешны. Выбор рекуррентной нейронной сети с долгой краткосрочной памятью подтверждён применяемой метрикой.

Forecasting the exchange rate is one of the most important tasks of quantitative financing. Participants in currency exchanges should know the right time to buy or sell currencies in order to maximize their income. The assertion that the market follows a random walk is controversial. If the market followed him, then profitable professional traders, analyzing the time series of the market using technical analysis (TA), would not be able to make a profit. Therefore, if financial market experts with this information can beat the market, machine learning methods (ML) can catch these models (or their absence). The purpose of the research is to explore the possibility of using deep machine learning techniques, or recurrent neural networks with long-term short-term memory (LSTM), to develop and train a cryptocurrency exchange rate prediction model using the infrastructure of Keras, TensorFlow.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
Internet Authorized users Read Print Download
-> Internet Anonymous

Usage statistics

stat Access count: 39
Last 30 days: 0
Detailed usage statistics