Samoorganizace a umělé neuronové sítě pro extrakci znalostí

Abstract

Neuronové sítě jsou často využívány k predikci finančních časových řad. Předpovídání budoucích hodnot však skrývá řadu problémů, které často znemožní vytvoření protabilního obchodního systému. V této diplomové práci jsem popsala dva typy neuronových sítí - Kohonenovy mapy a sítě založené na algoritmu zpětného šíření. Na základě těchto dvou přístupů jsem zkonstruovala a následně otestovala dva obchodní modely. V obecnější rovině jsem se také věnovala popisu speci k Forexu (Foreign exchange market) a možnostem využití neronových sítí na těchto trzích.

Neural networks are widely used for nancial time series prediction. However, the future values' prediction has its drawbacks and often cannot be converted to the e ffective and pro table trading system. In that thesis I will describe several di erent types of neural networks. Then, I will propose and evaluate on real series data two di erent approaches based on Kohonen's self-organizing maps and back propagation networks of how to use those networks for creating successful and pro table trading models. Also, I will give a general overview of the Forex market (Foreign exchange market) and neural networks' usage within that market.