Litteraturstudie: Tillämpningen av maskininlärning vid algoritmisk handel

Vi genomför en litteraturstudie där vi studerar och analyserar publikationer inom maskininlärning i kombination med algoritmisk handel. I denna studie undersöker vi vilka typer av data samt vilka maskininlärningstekniker som kunnat visas vara tillämpningsbara vid system för algoritmisk handel. Till...

Full description

Bibliographic Details
Main Authors: Larsson, Therése, Paradis, Karl
Format: Others
Language:Swedish
Published: Malmö universitet, Fakulteten för teknik och samhälle (TS) 2019
Subjects:
VaR
Online Access:http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-20946
id ndltd-UPSALLA1-oai-DiVA.org-mau-20946
record_format oai_dc
collection NDLTD
language Swedish
format Others
sources NDLTD
topic maskininlärning
algoritmisk handel
litteraturstudie
tekniska indikatorer
orderexekveringsproblem
support vector machine
historisk prisdata
efficient-market hypotesen
VaR
neurala nätverk
Engineering and Technology
Teknik och teknologier
spellingShingle maskininlärning
algoritmisk handel
litteraturstudie
tekniska indikatorer
orderexekveringsproblem
support vector machine
historisk prisdata
efficient-market hypotesen
VaR
neurala nätverk
Engineering and Technology
Teknik och teknologier
Larsson, Therése
Paradis, Karl
Litteraturstudie: Tillämpningen av maskininlärning vid algoritmisk handel
description Vi genomför en litteraturstudie där vi studerar och analyserar publikationer inom maskininlärning i kombination med algoritmisk handel. I denna studie undersöker vi vilka typer av data samt vilka maskininlärningstekniker som kunnat visas vara tillämpningsbara vid system för algoritmisk handel. Till vår litteraturstudie använder vi oss av publikationer som är peer-reviewed från trovärdiga databaser. Resultatet visar att det huvudsakligen finns tre typer av data som är av betydelse för algoritmisk handel. Dessa är historisk prisdata, tekniska indikatorer samt den typ av data som ingår i fundamental analys. Historisk prisdata tycks ofta användas som bas för att sedan bearbetas om till andra typer av data. Det vanligaste exemplet på detta är tekniska indikatorer som ofta förekommer som datakälla i system för algoritmisk handel.Vi finner även ett antal maskininlärningstekniker som av tidigare publikationer demonstreras vara tillämpningsbara för algoritmisk handel. Publikationer påvisar att en maskininlärningsteknik kallad SVM (support vector machine) kan tillämpas på tekniska indikatorer och även analys av nyhetsrubriker. Vi påträffar även publikationer som demonstrerar tillämpningen av två typer av neurala nätverk, klassifikationsnätverk samt regressionsnätverk. Dessa nyttjas för att generera trade signals i ett algoritmiskt handelssystem. I vår studie hittar vi också en tillämpning av evolutionär maskininlärning som används för att approximera en lösning på det optimala orderexekveringsproblemet.Vi diskuterar även ett ekonomiskt incitament som missgynnar akademisk öppenhet och publikation av nya upptäckter inom området. Detta existerar på grund av att fördelaktiga resultat kan vara finansiellt gynnsamma att undanhålla. === We conduct a literature review in which we study and analyze publications in the area of machine learning in combination with algorithmic trading. In this study we investigate what types of data and which machine learning techniques that are shown to be applicable to systems used for algorithmic trading. For our literature review we use peer-reviewed publications from trustworthy databases. The result shows that we find mainly three types of data that are relevant for algorithmic trading. These are financial data quotes, technical indicators and the types of data that is relevant for fundamental analysis. Financial data quotes often seem to be used as a basis for later processing into other types of data. The most common example of this is technical indicators that are frequently used as a source of data in systems for algorithmic trading.We also find a number of machine learning techniques that have been demonstrated by previous publications to be applicable for algorithmic trading. Publications show that a machine learning technique called SVM (support vector machine) can be applied on technical indicators as well as for analysis of news headlines. We also find publications that demonstrate the application of two types of neural networks, classification and regression network. These are used in order to generate trade signals in an algorithmic trading system. In our study we also find an application of evolutionary machine learning which is used to approximate an optimal solution to the order execution problem. Moreover, we also discuss a financial incentive that disadvantage academic openness and the publications of new discoveries in the relevant area of research. This financial incentive exists because advantageous results may be financially beneficial to withhold.
author Larsson, Therése
Paradis, Karl
author_facet Larsson, Therése
Paradis, Karl
author_sort Larsson, Therése
title Litteraturstudie: Tillämpningen av maskininlärning vid algoritmisk handel
title_short Litteraturstudie: Tillämpningen av maskininlärning vid algoritmisk handel
title_full Litteraturstudie: Tillämpningen av maskininlärning vid algoritmisk handel
title_fullStr Litteraturstudie: Tillämpningen av maskininlärning vid algoritmisk handel
title_full_unstemmed Litteraturstudie: Tillämpningen av maskininlärning vid algoritmisk handel
title_sort litteraturstudie: tillämpningen av maskininlärning vid algoritmisk handel
publisher Malmö universitet, Fakulteten för teknik och samhälle (TS)
publishDate 2019
url http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-20946
work_keys_str_mv AT larssontherese litteraturstudietillampningenavmaskininlarningvidalgoritmiskhandel
AT paradiskarl litteraturstudietillampningenavmaskininlarningvidalgoritmiskhandel
_version_ 1719353845973254144
spelling ndltd-UPSALLA1-oai-DiVA.org-mau-209462020-10-28T05:38:32ZLitteraturstudie: Tillämpningen av maskininlärning vid algoritmisk handelsweLarsson, TheréseParadis, KarlMalmö universitet, Fakulteten för teknik och samhälle (TS)Malmö universitet, Fakulteten för teknik och samhälle (TS)Malmö universitet/Teknik och samhälle2019maskininlärningalgoritmisk handellitteraturstudietekniska indikatorerorderexekveringsproblemsupport vector machinehistorisk prisdataefficient-market hypotesenVaRneurala nätverkEngineering and TechnologyTeknik och teknologierVi genomför en litteraturstudie där vi studerar och analyserar publikationer inom maskininlärning i kombination med algoritmisk handel. I denna studie undersöker vi vilka typer av data samt vilka maskininlärningstekniker som kunnat visas vara tillämpningsbara vid system för algoritmisk handel. Till vår litteraturstudie använder vi oss av publikationer som är peer-reviewed från trovärdiga databaser. Resultatet visar att det huvudsakligen finns tre typer av data som är av betydelse för algoritmisk handel. Dessa är historisk prisdata, tekniska indikatorer samt den typ av data som ingår i fundamental analys. Historisk prisdata tycks ofta användas som bas för att sedan bearbetas om till andra typer av data. Det vanligaste exemplet på detta är tekniska indikatorer som ofta förekommer som datakälla i system för algoritmisk handel.Vi finner även ett antal maskininlärningstekniker som av tidigare publikationer demonstreras vara tillämpningsbara för algoritmisk handel. Publikationer påvisar att en maskininlärningsteknik kallad SVM (support vector machine) kan tillämpas på tekniska indikatorer och även analys av nyhetsrubriker. Vi påträffar även publikationer som demonstrerar tillämpningen av två typer av neurala nätverk, klassifikationsnätverk samt regressionsnätverk. Dessa nyttjas för att generera trade signals i ett algoritmiskt handelssystem. I vår studie hittar vi också en tillämpning av evolutionär maskininlärning som används för att approximera en lösning på det optimala orderexekveringsproblemet.Vi diskuterar även ett ekonomiskt incitament som missgynnar akademisk öppenhet och publikation av nya upptäckter inom området. Detta existerar på grund av att fördelaktiga resultat kan vara finansiellt gynnsamma att undanhålla. We conduct a literature review in which we study and analyze publications in the area of machine learning in combination with algorithmic trading. In this study we investigate what types of data and which machine learning techniques that are shown to be applicable to systems used for algorithmic trading. For our literature review we use peer-reviewed publications from trustworthy databases. The result shows that we find mainly three types of data that are relevant for algorithmic trading. These are financial data quotes, technical indicators and the types of data that is relevant for fundamental analysis. Financial data quotes often seem to be used as a basis for later processing into other types of data. The most common example of this is technical indicators that are frequently used as a source of data in systems for algorithmic trading.We also find a number of machine learning techniques that have been demonstrated by previous publications to be applicable for algorithmic trading. Publications show that a machine learning technique called SVM (support vector machine) can be applied on technical indicators as well as for analysis of news headlines. We also find publications that demonstrate the application of two types of neural networks, classification and regression network. These are used in order to generate trade signals in an algorithmic trading system. In our study we also find an application of evolutionary machine learning which is used to approximate an optimal solution to the order execution problem. Moreover, we also discuss a financial incentive that disadvantage academic openness and the publications of new discoveries in the relevant area of research. This financial incentive exists because advantageous results may be financially beneficial to withhold. Student thesisinfo:eu-repo/semantics/bachelorThesistexthttp://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-20946Local 29163application/pdfinfo:eu-repo/semantics/openAccess