Uz tehniskās analīzes balstītas tirdzniecības stratēģijas izveide un tās uzlabošana, izmantojot mašīnmācīšanās modeli

Abstract

Bakalaura darba mērķis ir izveidot uz tehniskās analīzes balstītu tirdzniecības stratēģiju un novērtēt tās efektivitāti, kā arī uzlabot iegūtos rezultātus, izmantojot mašīnmācīšanās modeli. Lai sasniegtu izvirzīto mērķi, darbā tiek aplūkoti tehniskās analīzes pamatprincipi, tirdzniecības stratēģijas izstrādes un novērtēšanas kritēriji, kā arī apskatīts XGBoost algoritms. Padziļināti tiek analizēts indikators Bolindžera joslas, uz kura pamata izstrādāta sākotnējā tirdzniecības stratēģija, un turpmāk tā tiek pilnveidota ar XGBoost binārās klasifikācijas modeļa palīdzību. Stratēģija tiek testēta, izmantojot kriptovalūtas Ethereum 15 minūšu laika grafika datus. Praktiskā daļa veikta R programmēšanas vidē.

The aim of this bachelor's thesis is to develop a trading strategy based on technical analysis and to evaluate its effectiveness, as well as to improve the obtained results using a machine learning model. To achieve this objective, the thesis reviews the basic principles of technical analysis, the criteria for developing and evaluating trading strategies, and researches the XGBoost algorithm. The Bollinger Bands indicator is analyzed in detail and used as a base for the initial trading strategy, which is subsequently enhanced using a binary classification model based on XGBoost. The strategy is tested on the cryptocurrency Ethereum using 15-minute interval data. The practical implementation is carried out in the R programming environment.