| Studiju veids |
bakalaura profesionālās studijas |
| Studiju programmas nosaukums |
Finanšu inženierija |
| Nosaukums |
Mašīnmācīšanās pielietošana treidingā |
| Nosaukums angļu valodā |
Machine learning in trading |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Konstantins Kozlovskis |
| Recenzents |
Boriss Siliverstovs |
| Anotācija |
Bakalaura darbs veltīts, lai atrastu efektīvāko mašīnmācīšanās modeli priekš
finanšu instrumenta klasifikācijas problēmas. No sākuma tika aplūkots, kas vispār ir
treidings un kādi ir tā veidi. Tad kur vispār tredingu var pielietot jeb finanšu tirgus
veidi un regulējumi. Un visbeidzot kas ir mašīnmācīšanās, kādas metodes un
algoritmi eksistē.
Darba praktiskajā daļā tika izvēlēts viens finanšu instruments – kriptovalūtas
un 5 no tām (BTC, BNB, ETH, XRP un ADA) tika analizētas padziļinātāk ar
klasifikācijas mašīnmācīšanās algoritmiem, kā lēmumu koka (Decision tree), K
Tuvāko kaimiņu (KNN), atbalsta vektora mašīnas (SVM), naivā Baijesa (Naive Bayes)
un neironu tīklu (Neural networks) metodēm. Iegūtie rezultāti tika salīdzināti savās
starpā ar dažādām metrikām.
Darbs izstrādāts uz 55 lapām un tajā ir 14 attēli, 12 tabulas, 13 formulas, 6
pielikumi uz 11 lapām un tika izmantoti 22 informācijas avoti |
| Atslēgas vārdi |
reidings, finanšu tirgi, kriptovalūtas, mašīnmācīšanās, klasifikācija |
| Atslēgas vārdi angļu valodā |
trading, financial markets, cryptocurrencies, machine learning, classification |
| Valoda |
lv |
| Gads |
2023 |
| Darba augšupielādes datums un laiks |
30.05.2023 16:20:38 |
