Využití umělé neuronové sítě pro predikci finančního trhu

Abstract

Diplomová práce se zaměřuje na predikci vývoje měnových párů pomocí neuronových sítí. Pro návrh predikčních modelů byly využity architektury LSTM a N-HiTS. Implementace probíhala v jazyce Python s využitím knihovny NeuralForecast. Data měnových párů EUR/USD a NZD/JPY byla stažena z veřejně dostupného zdroje. Následně byla data očištěna, převzorkována, doplněna o technické indikátory a rozdělena na trénovací a testovací sady. Predikce byla realizována metodou posuvného okna a hodnocena pomocí metrik predikční přesnosti. Výsledky byly dále ověřeny zpětným testováním obchodní strategie. Závěry ukazují, že neuronové sítě mají potenciál pro predikci finančních časových řad. Jejich praktické využití však závisí na kvalitě vstupních dat, návrhu modelu a dostupnosti výpočetních technologií.

This diploma thesis focuses on forecasting the movement of currency pairs using neural networks. The predictive models are based on the LSTM and N-HiTS architectures. The models were implemented in Python using the NeuralForecast library. Data for the EUR/USD and NZD/JPY currency pairs were downloaded from a publicly available source. The data were subsequently cleaned, resampled, enriched with technical indicators, and split into training and test sets. Forecasting was performed using a sliding window method and evaluated using forecasting accuracy metrics. The results were further verified by backtesting a trading strategy. The findings show that neural networks have potential for financial time series forecasting. However, their practical applicability depends on the quality of input data, model design, and the availability of computational resources.