Detekce anomálií v datech z knih limitních objednávek

Zappe, Dominik

Detekce anomálií v datech z knih limitních objednávek

dc.contributor.advisor	Pospíšil Jan, doc. Ing. Ph.D.	cs
dc.contributor.author	Zappe, Dominik	cs
dc.contributor.referee	Konopík Miloslav, Ing. Ph.D.	cs
dc.date.accepted	2025-06-16
dc.date.accessioned	2026-02-20T15:55:27Z
dc.date.available	2024-09-09
dc.date.available	2026-02-20T15:55:27Z
dc.date.issued	2025-05-14
dc.date.submitted	2025-05-14
dc.description.abstract	Moderní finanční trhy jsou rychlé, komplexní a stále častěji se stávají cílem sofistikovaných forem manipulace. Tato práce se zaměřuje na detekci anomálií v časových řadách odvozených z knih limitních objednávek s cílem rozpoznat manipulativní chování zvané spoofing. Vzhledem k absenci anotovaných dat jsou použity metody strojového učení bez učitele aplikované na reálná historická data. V práci je implementováno šest metod - izolační les, lokální faktor odlehlosti, jednotřídní SVM, plně propojený autoenkodér, konvoluční autoenkodér a transformer autoenkodér. Modely jsou evaluovány pomocí méně známých metrik Excess Mass a Mass Volume, přičemž nejlépe si vedou modely izolační les a transformer. Kombinací nejvýkonnějších modelů vznikl robustní nástroj schopný odhalit podezřelé chování bez ruční anotace. Navržené řešení efektivně identifikuje rizikové oblasti pro následnou expertní analýzu a představuje tak praktický přínos pro detekci nelegálních praktik na finančních trzích.	cs
dc.description.abstract-translated	Modern financial markets are fast-paced, complex, and increasingly targeted by sophisticated forms of manipulation. This thesis focuses on anomaly detection in time series derived from limit order books, aiming to identify manipulative behavior known as spoofing. Due to the absence of annotated data, unsupervised machine learning methods are applied to real historical data. Six methods are implemented - Isolation Forest, Local Outlier Factor, One-Class SVM, Fully Connected Autoencoder, Convolutional Autoencoder, and Transformer-based Autoencoder. The models are evaluated using the less commonly known metrics Excess Mass and Mass Volume, with the Isolation Forest and Transformer models achieving the best results. By combining the most effective models, a robust tool is created, capable of detecting suspicious behavior without manual annotation. The proposed solution efficiently identifies high-risk areas for subsequent expert analysis and thus offers a practical contribution to detecting illicit practices in financial markets.	en
dc.description.department	Katedra informatiky a výpočetní techniky	cs
dc.description.result	Obhájeno	cs
dc.format	105
dc.identifier	99627
dc.identifier.uri	http://hdl.handle.net/11025/65882
dc.language.iso	cs
dc.publisher	Západočeská univerzita v Plzni	cs
dc.rights	Plný text práce je přístupný bez omezení	cs
dc.rights.access	openAccess	cs
dc.subject	kniha limitních objednávek	cs
dc.subject	spoofing	cs
dc.subject	detekce anomálií	cs
dc.subject	strojové učení	cs
dc.subject	učení bez učitele	cs
dc.subject	autoenkodér	cs
dc.subject	vizualizace dat	cs
dc.subject.translated	Limit Order Book	en
dc.subject.translated	Spoofing	en
dc.subject.translated	Anomaly Detection	en
dc.subject.translated	Machine Learning	en
dc.subject.translated	Unsupervised Learning	en
dc.subject.translated	Autoencoder	en
dc.subject.translated	Data Visualization	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd	cs
dc.thesis.degree-level	Navazující	cs
dc.thesis.degree-name	Ing.	cs
dc.thesis.degree-program	Informatika a její specializace	cs
dc.title	Detekce anomálií v datech z knih limitních objednávek	cs
dc.title.alternative	Anomalies detection in limit order books data	en
dc.type	diplomová práce	cs
local.files.count	6	*
local.files.size	179584401	*
local.has.files	yes	*
local.relation.IS	https://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=99627