Прогнозування курсів валют засобами машинного навчання

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2024.45(2).205-215

Ключові слова:

LSTM, GRU, Random Forest, прогнозування, багатовимірні часові ряди, FOREX

Анотація

Точне прогнозування валютних курсів (FOREX) має вирішальне значення для різних видів фінансової діяльності. Однак, як часовий інтервал, так і обрана модель можуть мати значний вплив на якість прогнозів. Тому вивчення впливу цих елементів на точність прогнозування багатовимірних часових рядів даних, що представляють ціни відкриття, максимуму, мінімуму та закриття (OHLC) на ринках FOREX, потребує подальших досліджень.

Метою роботи є оцінка та порівняння ефективності різних кількісних моделей прогнозування (VAR, LSTM, GRU, Random Forest) у передбаченні валютних курсів на міжнародних валютних ринках (FOREX) за різними часовими інтервалами (денний (D), 4-годинний (H4), годинний (H1), 15-хвилинний (M15)).

Ефективність VAR, LSTM, GRU та Random Forest було оцінено на чотирьох наборах даних FOREX. Ці датасети включали дані з різних таймфреймів, включаючи D, H4, H1, M15. Кожна модель була навчена на історичних даних, а потім їх точність прогнозування була оцінена на невидимих тестових даних. Точність була виміряна за допомогою метрик MAE та MSE.

Досліджено вплив таймфрейму та методів машинного навчання на прогнозування валютних курсів ЄВРО/ДОЛАР США. Проаналізовано ефективність різних моделей прогнозування.

Модель Random Forest перевершила інші моделі на кожному наборі даних (таймфреймі) з вражаючим результатом MAE = 0.00004 та MSE = 0.000000007 на датасеті M15. Подальші дослідження будуть зосереджені на: розробці методу прогнозування на основі нечіткої логіки; побудові моделі, здатної до онлайн-навчання на даних в реальному часі; створенні системи підтримки прийняття рішень для алгоритмічної торгівлі.

 

Біографії авторів

Н. Е. Кондрук, ДВНЗ «Ужгородський національний університет»

Доцент кафедри кібернетики і прикладної математики. Кандидат технічних наук

С. В. Гецко, ДВНЗ «Ужгородський національний університет»

Аспірант кафедри кібернетики і прикладної математики

Посилання

  1. Priyanka, K. (2022). The study of fundamental & technical analysis. Inter national Journal of Scientific Research in Engineering and Management, 6(5). https://doi.org/10.55041/ijsrem13093
  2. Gnawali, Y. P. (2022). Use of mathematics in quantitative research. Ganeshman Darpan, 7(1), 10–15. https://doi.org/10.3126/gd.v7i1.53528
  3. Abdullah, L. T. (2022). Forecasting time series using Vector Autoregressive Model. International Journal of Nonlinear Analysis and Applications, 13(1), 499–511. https://doi.org/10.22075/IJNAA.2022.5521
  4. Elsayed, A. M. M. (2021). Forecasting EGX30 index time series using vector autoregressive models VARS. International Journal of Statistics and Applied Mathematics, 6(2), 6–20. https://doi.org/10.22271/maths.2021.v6.i2a.658
  5. Sako, K., Mpinda, B. N., & Rodrigues, P. C. (2022). Neural networks for financial time series forecasting. Entropy, 24(5), 657. https://doi.org/10.3390/e24050657
  6. Alfredo, C. S., & Adytia, D. A. (2022). Time series forecasting of significant wave height using GRU, CNN-GRU, and LSTM. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(5), 776–781. https://doi.org/10.29207/resti.v6i5.4160
  7. Dudek, G. (2022). A comprehensive study of random forest for short-term load forecasting. Energies, 15(20), 7547. https://doi.org/10.3390/en15207547
  8. Taslim, D. G., & Murwantara, I. M. (2022). A Comparative Study of ARIMA and LSTM in Forecasting Time Series Data. 2022 9th International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE). Semarang: Indonesia. https://doi.org/10.1109/ICITACEE55701.2022.9924148
  9. Ghosh, P., Neufeld, A., & Sahoo, J. K. (2021). Forecasting directional movements of stock prices for intraday trading using LSTM and random forests. Finance Research Letters, 102280. https://doi.org/10.1016/j.frl.2021.102280
  10. Hodson, T. O., Over, T. M., & Foks, S. S. (2021). Mean squared error, deconstructed. Journal of Advances in Modeling Earth Systems, 13(12). https://doi.org/10.1029/2021ms002681
  11. Qi, J., et al. (2020). On mean absolute error for deep neural network based vector-to-vector regression. IEEE Signal Processing Letters, 27, 1485–1489. https://doi.org/10.1109/lsp.2020.3016837
  12. Robeson, S. M., & Willmott, C. J. (2023). Decomposition of the mean absolute error (MAE) into systematic and unsystematic components. PLOS ONE, 18(2). e0279774. https://doi.org/10.1371/journal.pone.0279774
  13. Pang, B., Nijkamp, E., & Wu, Y. N. (2019). Deep learning with Tensor Flow: a review. Journal of Educational and Behavioral Statistics, 45(2), 227–248. https://doi.org/10.3102/1076998619872761
  14. Logroño, S. I. N., et al. (2022). Analysis of the use of the python programming language for statistical calculations. Espirales Revista Multidisciplinaria de Investigación, 6(41). https://doi.org/10.31876/er.v6i41.813
  15. Meshram, A. A. (2022). Review on different software tools for deep learning. International Journal for Research in Applied Science and Engineering Technology, 10(1), 565–571. https://doi.org/10.22214/ijraset.2022.39873
  16. Cao, S., et al. (2021). Research on python data visualization technology. Journal of Physics: Conference Series, 1757(1), 012122. https://doi.org/10.1088/1742-6596/1757/1/012122

##submission.downloads##

Опубліковано

2024-11-21

Як цитувати

Кондрук, Н. Е., & Гецко, С. В. (2024). Прогнозування курсів валют засобами машинного навчання. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 45(2), 205–215. https://doi.org/10.24144/2616-7700.2024.45(2).205-215

Номер

Том 45 № 2 (2024)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2024 Н. Е. Кондрук, С. В. Гецко

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.