Analýza finančních trhů

Cílem výzkumu bylo analyzovat současné trendy na finančních trzích a predikovat jejich budoucí vývoj. S automatizovanou podporou by měl predikovaný vývoj usnadnit rozhodování o prodeji či koupi komodit a akcií v různých časových okamžicích.

Úvod

Na začátku výzkumu jsme si pro zmiňovaná rozhodnutí o prodeji či koupi definovali jednoduchá pravidla. Ta vycházela z aktuálního vývoje kurzu dané komodity nebo akcie, jeho růstu/poklesu a ceny v daný okamžik. Úkolem provedeného výzkumu bylo navržená rozhodnutí zdokonalit, zefektivnit, a především zautomatizovat. Analýzu finančních trhů jsme prováděli se snahou o co nejmenší zapojení subjektivních pocitů do popsaného rozhodovacího procesu.

Historická data, extrémy, vzory

Prvním krokem byla analýza historických dat finančních trhů, kdy byly v datech vyhledávány charakteristické znaky jako lokální a globální extrémy, výrazné poklesy a nárůsty v rámci kratších úseků nebo celých časových řad a opakující se vzory. Na základě toho, co následovalo po daném vzoru v minulosti, lze předpovědět i budoucí vývoj, pokud se vzor opět objeví.

Podle těchto znaků jsme následně byli schopni v různých časových okamžicích předpovědět, jaký lze pro konkrétní komoditu či akcii očekávat budoucí vývoj. Predikovaný vývoj ceny spolu s aktuální hodnotou kurzu umožňují provádět rozhodnutí, zda je vhodný okamžik pro prodej, nebo naopak nákup.

Vývoj obchodních strategií
Obrázek č. 1: Vývoj stavu obchodního účtu po aplikování různých obchodních pravidel, tzn. červená křivka představuje úspěšnou investiční strategii, modrá naopak prodělala nejvíce peněz.

Závěr

Při predikci budoucího vývoje na finančních trzích jsme využívali historická data, typické znaky i opakující se vzory. Na základě těchto dat a definovaných pravidel jsme zautomatizovali a zefektivnili rozhodovací procesy a zároveň eliminovali zapojení subjektivních pocitů.

Použité nástroje 

  • Jupyter Notebook: Výzkum byl proveden pomocí užitečného nástroje Jupyter Notebook. Ten slouží pro usnadnění práce a v případě dodržování definovaných zásad i pro tvorbu přehledného kódu.
  • TA-Lib: Při výzkumu byla využívána open source knihovna TA-Lib, která je hojně využívána při analýzách finančních trhů, především díky vysokému počtu vhodných funkcí, kterými disponuje.
  • Scikit-learn: Predikce budoucího vývoje vycházející z nalezených charakteristických znaků pro jednotlivé průběhy byla zprostředkována za pomoci klasifikátorů z knihovny Scikit-learn.
  • Pandas: Pomocné operace byly zprostředkovány za pomoci známé open source knihovny Pandas.
  • Matplotlib, Plotly: Pro zobrazení vzájemných vztahů mezi analyzovanými měnami a pro vizualizaci historických i výsledných predikovaných dat byly použity knihovny Matplotlib a Plotly.

Související produkty a služby

Analýza velkých dat
Analýza velkých dat

Big data analýza vám pomůže porozumět chování zákazníků, vývoji trhu nebo odhalit rizikové faktory vašeho byznysu. V průměru denně zpracujeme zhru...

Více informací o Analýza velkých dat
Monetizace dat
Monetizace dat

Máme za sebou úspěšné interní i externí datové a AI monetizace, a to v odvětvích: telekomunikací, bankovních služeb nebo online reklamy. Nabízíme ...

Více informací o Monetizace dat

Poradíme vám

Sjednejte si schůzku s naším odborníkem.

Jan Budík
Jan Budík New business developer

Sledujte náš blog

We must know, we will know

Tým odborníků na big data

Objevování nových cest je alfou a omegou naší práce. Používáme nástroje a metody vytvořené pro vědecké týmy speciálně k výzkumným účelům.

Řešení na míru

Při návrhu řešení zohledňujeme schopnost firmy jej nasadit, firemní prostředí i dovednosti zaměstnanců. Díky tomu dokážeme minimalizovat riziko a přinášet úspěch.

Spolupráce se silnými značkami

Cloudera, Microsoft, Clever Analytics, Apache Kafka, Apache Spark, Power BI, Tableau, Jupyter Notebooks