Anomaly detection for stock market trading data

Abstract

Obchodování na burze je velmi komplexní téma, které zahrnuje spoustu náročných problémů. Jedním z těchto problémů je detekce anomálií. Detekce anomálií v reálném čase je velice náročný úkol, a proto tento problém zůstává otevřen. Cílem této práce je zkoumat různé modely a algoritmy, které mohou být použity a pokusit se najít ty nejvhodnější pro tento problém. Vytvoříme modely, které detekují anomálie na základě hustoty dat, i statistické modely a neuronové sítě, které detekují anomálie na základě porovnání predikovaných a skutečných dat. Výsledkem této práce je návrh modelů, které mohou být dále zkoumány a použity pro detekci v reálném čase.

Stock trading is a very complex topic that involves a lot of challenging problems. One of these problems is anomaly detection in trading flow. Real-time anomaly detection in time series is a very complicated task and thus this issue is still open. The aim of this thesis is to research various models and algorithms that can be used for this task and try to find the most fitting ones. We develop models that detect anomalies based on the density properties of the data as well as statistical models and neural networks that detect anomalies based on the comparison of predicted data and actual data. As a result we propose models that can be further researched and used in real-time environment.