Investigation of Digital Trading

Abstract

In final Master’s degree Thesis digital trading matter is being investigated and deep learning technique, known as Long Short-Term Memory (LSTM) neural network, is being applied for supporting decision-making processes while creating investment portfolios in OANDA’s “fxTrade” and “IQ Option” real-time digital trading platforms. At the same time, investment portfolios based on the use of single technical indicator are being created in order to see whether the application of LSTM neural network outperforms technical analysis based trading in digitalized foreign exchange and options markets. Therefore, in order to achieve this goal theoretical perspective on digital trading and application of deep learning techniques for forecasting financial markets are being analysed. Later on, on the basis of performed research, LSTM neural network algorithm suggested by MathWorks (2019) is being adopted for the creation of LSTM neural network investment portfolios, whereas for the creation of technical analysis investment portfolios only indications from parabolic SAR technical indicator, which is being selected in each trading platform, are being used for particular buy and sell decision-making. After examining theoretical and practical aspects of digital trading and its support using both deep learning and technical analysis techniques, as well as implementing all the steps of LSTM and technical analysis trading strategies implementation presented in the methodology, final Thesis conclusions, research limitations and suggestion are being given. Structure: introduction, tree main parts: Theoretical paradigm of digital trading and deep learning techniques, Methodology of digital trading support using deep learning based long short-term memory (LSTM) architecture, Implementation of digital trading support using long short-term memory (LSTM) neural network and evaluation of results; conclusions and suggestions, references. Thesis consists of: 78 p. text without appendixes, 9 figures, 12 tables, 7 formulas, 75 bibliographical entries. Appendixes included.

Baigiamajame magistro darbe tiriami skaitmeninės prekybos klausimai ir giliojo mokymosi metodo, tiksliau ilgos trumpalaikės atminties (LSTM) ląstelės, pritaikymas, siekiant palaikyti sprendimų priėmimo procesus kuriant investicinius portfelius „OANDA“ ir „IQ Option“ skaitmeninėse prekybos platformose. Tuo pačiu metu kuriami ir investiciniai portfeliai paremti tik vieno techninio rodiklio naudojimu, tam, jog būtų galima pamatyti, ar LSTM neuroninio tinklo taikymas pralenkia technine analize paremtą prekybą skaitmenizuotose valiutų ir pasirinkimo sandorių rinkose. Taigi, siekiant įgyvendinti šį tikslą, analizuojama teorinė skaitmeninės prekybos perspektyva ir gilaus mokymosi metodų taikymas finansų rinkų prognozavimui. Vėliau, remiantis atliktais tyrimais, LSTM neuroninio tinklo investicinių portfelių kūrimui yra pritaikomas MathWorks (2019) pasiūlytas LSTM neuroninio tinklo algoritmas. Tuo tarpu, technine analize paremtų investicinių portfelių kūrimui ir atitinkamų pirkimo ir pardavimo sprendimų priėmimas yra paremtas tik „Parabolic SAR“ rodiklio suteikiama informacija. Galiausiai, išnagrinėjus teorinius ir praktinius skaitmeninės prekybos ir jos palaikymo aspektus, pritaikius tiek giliojo mokymosi, tiek techninės analizės metodus, bei įvykdžius metodologijoje aprašytus prekybos strategijų žingsnius, pateikiamos galutinės baigiamojo darbo išvados, apribojimai ir siūlymai. Darbą sudaro: įvadas, trys pagrindinės dalys: Skaitmeninės prekybos ir giliojo mokymosi teorinė paradigma, Skaitmeninės prekybos palaikymo metodologija, pritaikant giliuoju mokymusi pagrįstą ilgos trumpalaikės atminties (LSTM) ląstelės architektūrą, Skaitmeninės prekybos palaikymo įgyvendinimas naudojant ilgos trumpalaikės atminties (LSTM) ląstelę ir rezultatų įvertinimas; išvados ir siūlymai, literatūros sąrašas. Darbo apimtis – 78 p. teksto be priedų, 9 pav., 12 lent., 7 formulės, 75 bibliografiniai šaltiniai. Atskirai pridedami darbo priedai.