Научный вестник Одесского национального экономического университета 2020, 3-4, 153-163
Моделирование краткосрочной динакими валютных курсов с использованием глубоких нейронных сетей
Дербенцев Василий
к.э.н., профессор кафедры информатики и системалогии,
Киевский национальный экономический университет им. В. Гельмана, e-mail:derbv@kneu.edu.ua, ORCID ID: http://orcid.org/0000-0002-8988-2526
Бескоронованный Виталий
ассистент кафедры информатики и системалогии,
Киевский национальный экономический университет им. В. Гетьмана, e-mail:retal.vs@kneu.edu.ua, ORCID ID: http://orcid.org/0000-0002-4998-8385
Овчаренко Андрей
ст. преподаватель кафедры информатики и системалогии,
Киевский национальный экономический университет им. В. Гетьмана, e-mail:ov_andrei@i.ua, ORCID ID: http://orcid.org/0000-0002-0729-4369
Цитировать статью:
Дербенцев В., Бескоронованный В., Овчаренко А. Моделирование краткосрочной динакими валютных курсов с использованием глубоких нейронных сетей. Научный вестник Одесского национального экономического университета : сб. науч. трудов / Под ред. : Д.В. Завадской (глав. ред.). Одесса : Одесский национальный экономический университет. 2020. № 1-2 (274-275). С. 10-27.
Аннотация
Работа посвящена вопросам краткосрочного прогнозирования валютных курсов с помощью моделей глубокого обучения. С этой целью была построена модель глубокого обучения на основе синтеза нейронных сетей заверточных (CNN) и рекуррентного
(RNN) типа. Згорткова сеть выполняет функцию извлечения признаков, а рекуррентная сеть на основе модели «долговременной кратковременной памяти» (LSTM) осуществляет непосредственно
прогноз. Проведено прогнозные расчеты динамики котировок для валютных пар евро / доллар (EUR / USD) и британского фунта (GBP / USD), а также для двух наиболее капитализированных криптовалют (биткоины - BTC / USD и ефириума - ETH / USD) с использованием ежедневных и четырехчасовых наблюдений. Проведенные компьютерные эксперименты подтвердили перспективность применения моделей глубокого обучения для задач краткосрочного прогнозирования временных рядов как фиатних, так и криптовалюта.
Ключевые слова
глубокое обучение, нейронные сети, краткосрочное прогнозирование, часовые ряды валютных котировок, криптовалюты.
JEL classification: G170 ; DOI: 10.32680/2409-9260-2020-3-4-276-277-153-163
УДК: 004.942:[336.743]:519.868
Литература
- Международная практика прогнозирования мировых цен на финансовых рынках (сырье, акции, курсы валют) / под ред. Я.М. Миркина. Москва: Магистр, 2014. 456 с.
- Persio, L., Honchar, O. Multitask machine learning for financial forecasting. International Journal of Circuits, Systems and Signal Processing. 2018. Vol. 12. P. 444–451.
- В.Д. Дербенцев, Г.І. Великоіваненко, Н.В. Даценко. Застосування методів машинного навчання до прогнозування часових рядів криптовалют. Нейро-нечіткі технології моделювання в економіці. 2019. № 8. С. 65-93.
- Hamid, S.A., Habib, A. Financial forecasting with neural networks. Academy of Accounting and Financial Studies Journal. 2014. Vol. 18(4). P. 37-55.
- Hitam, N.A., Ismail, A.R. Comparative Performance of Machine Learning Algorithms for Cryptocurrency Forecasting. 2018. URL: https://www.researchgate.net/ publication/327415267 (дата звернення: 01.12.2020).
- Bahrammirzaee, A. A comparative survey of artificial intelligence applications in finance:artificial neural networks, expert system and hybrid intelligent systems. Neural Comput.Appl. 2010. Vol. 19(8), P. 1165–1195.
- Sezer O.B., Gudelek M.U., Ozbayoglu A.M. Financial time series forecasting with deep learning: A systematic literature review: 2005–2019. Applied Soft Computing. 2020. Vol. 90. Article number 106181.
- Дербенцев В.Д., Безкоровайний В.С., Луняк І.В. Застосування методів глибокого навчання до прогнозування зміни короткострокових трендів валютних курсів. Науковий вісник Мукачівського державного університету. Секція: економіка. 2020. № 7(2). С. 75-86.
- Kumar, D., Rath, S.K.: Predicting the Trends of Price for Ethereum Using Deep Learning Technique, in: Artif. Intell. Evol. Comput. Eng. Syst., pp. 103–114, Springer (2020)
- Saxena, A., Sukumar, T. Predicting bitcoin price using LSTM and compare its predictability with ARIMA model. International Journal of Pure and Applied Mathematics. 2018. Vol. 119(17). P. 2591-2600.
- Livieris, I.E., Pintelas, E., Stavroyiannis, S., & Pintelas, P. Ensemble deep learning models for forecasting cryptocurrency time-series. Algorithms. 2020. Vol. 13(5), article number 121.
- Bao W, Yue J, Rao Y A deep learning framework for financial time series using stacked autoencoders and long-short term memory. PLoS ONE. 2017. Vol. 12(7): e0180944. doi: https://doi.org/10.1371/journal.pone.0180944