Кафедра інформатики та системології

Permanent URI for this collection

https://ir.kneu.edu.ua/handle/2010/36

Browse

Browsing Кафедра інформатики та системології by Subject "004.942:336.778]:005.332"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Застосування методів глибокого навчання до прогнозування зміни короткострокових трендів валютних курсів
    (Мукачівський державний університет, 2020) Дербенцев, Василь Джоржович; Derbentsev, Vasyl; Дербенцев, Василий Джорджевич; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Безкоровайный, Виталий Сергеевич; Луняк, Ірина Вікторівна; Luniak, Iryna; Луняк, Ирина Викторовна
    Робота присвячена питанням короткострокового прогнозування валютних курсів за допомогою моделей глибокого навчання, що є актуальним як для наукової спільноти, так і для трейдерів та інвесторів. Метою роботи є побудова моделі прогнозу напряму зміни руху цін валютних котирувань на основі глибоких нейронних мереж. В основу розробленої архітектури було покладено модель вентильного рекурентного вузла, що є модифікацією моделі «довготривалої короткочасної пам’яті», але є більш простою за кількістю параметрів і часом навчання. Проведено прогнозні розрахунки динаміки котирувань валютної пари євро/долар і найбільш капіталізованої криптовалюти біткоїн/долар із використанням щоденних, чотиригодинних і щогодинних спостережень. Отримані результати бінарної класифікації (прогнозу напряму зміни тренду) під час застосування щоденних і годинних котирувань виявились загалом кращими, ніж дають моделі часових рядів, або моделі нейронних мереж іншої архітектури (зокрема, багатошарового персептрону, чи моделі на основі «довготривалої короткочасної пам’яті»). Згідно з одержаними результатами, найбільша точність класифікації виявилася для моделі щоденних котирувань як для євро/долар – близько 72 %, так і для біткоїн/долар – близько 69 %. Під час використання чотирьохгодинних і щогодинних часових рядів точність класифікації зменшувалась, що можна пояснити як збільшенням впливу «ринкового шуму», так і вірогідним перенавчанням моделей. Унаслідок комп’ютерних експериментів було з’ясовано, що моделі краще прогнозують зростаючий тренд, ніж спадаючий. Проведене дослідження підтвердило перспективність застосування моделей глибокого навчання для задач короткострокового прогнозування часових рядів валютних котирувань. Водночас використання розроблених моделей виявилось ефективним як для фіатних, так і для криптовалют. Запропоновану систему моделей на основі глибоких нейронних мереж можна покласти в основу під час розробки автоматизованої торгової системи на валютному ринку. This paper investigates the issues of short-term forecasting of exchange rates using deep learning models, which is relevant for both the academia and traders and investors. The purpose of this study is to build a model to forecast the direction of changes in the price movement of currency quotes based on deep neural networks. The developed architecture is based on the gated recurrent unit model, which is a modification of the “long short-term memory” model, but is simpler as to the number of parameters and learning time. Forecast calculations of the dynamics of quotations of the euro/dollar currency pair and the most capitalised cryptocurrency – bitcoin/dollar are carried out using daily, four-hour, and hourly observations. The obtained results of binary classification (forecasting the direction of trend change) when applying daily and hourly quotes turned out to be generally better than those given by time series models, or models of neural networks of other architecture (namely multilayer perceptron, or models based on “long short-term memory”). According to the results obtained, the highest classification accuracy was found for the model of daily quotes for both EUR/USD – about 72%, and for BTC/USD – about 69%. When using the four-hour and hourly time series, the classification accuracy decreased, which can be explained both by an increase in the impact of “market noise” and by the likely retraining of models. As a result of computer experiments, it was found that models better predict an upward trend than a downward one. The conducted research confirmed the prospects of using deep learning models for short-term forecasting of time series of currency quotes. At the same time, the use of the developed models proved to be effective for both fiat and cryptocurrencies. The proposed system of models based on deep neural networks can be used as a basis for the development of an automated trading system in the foreign exchange market.