Učení umělých neuronových sítí založené na mikrogenetických a genetických algoritmech a ověření na vysokofrekvenčních finančních datech

Abstract

Predikce směnných kurzů měn a cen akcií jsou komplexním problémem, jehož řešení velmi často těží z posledního výzkumu a vývoje jak informačních technologií, tak strojového učení a umělé inteligence celkově. Hlavním cílem této práce je vytvořit a implementovat způsob učení umělých neuronových sítí, který bude zvládat efektivně učit síť na velkých objemech dat, aby síť byla schopna předvídat vysokofrekvenční ekonomická data. Za tímto účelem je využito mikrogenetického algoritmu, u kterého byla navržena modifikace pro vyšší efektivitu. Tento modifikovaný mikrogenetický algoritmus, navržený v této práci, byl srovnán s původním mikrogenetickým algoritmem a ukázal se být efektivnější, zatímco umělé neuronové sítě natrénované pomocí obou algoritmů vykazovaly stejnou chybovost predikcí, tedy byly stejně dobré. Další hodnoty časové řady mohou být přidány a síť rychle dotrénována. Takové neuronové sítě je možné využít k rozhodování v reálném čase, například pro účely vysokofrekvenčního obchodování.

Predictions of currency exchange rates and stock values are very complex problems. Their solutions benefit from the state-of-the-art information technology and research and development of machine learning and artificial intelligence in general. The main focus of this study is to create and implement a learning algorithm for artificial neural networks which would effectively and efficiently train the network on large datasets. Trained networks are intended to be used as high-frequency economic data predictors. A modification of a micro-genetic algorithm for higher efficiency on contemporary computer hardware is created and described in this study. This modified micro-genetic algorithm is then compared to the original micro-genetic algorithm. The micro-genetic algorithm was more efficient while the predictions made by neural networks trained by both the modified micro-genetic and the original micro-genetic algorithms were equally good (equally precise). Since additional values can be added to the training dataset during training, these networks can be used for real-time predictions and decisions, e. g. for high-frequency trading