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

1. Международная практика прогнозирования мировых цен на финансовых рынках (сырье, акции, курсы валют) / под ред. Я.М. Миркина. Москва: Магистр, 2014. 456 с.
2. Persio, L., Honchar, O. Multitask machine learning for financial forecasting. International Journal of Circuits, Systems and Signal Processing. 2018. Vol. 12. P. 444–451.
3. 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.
4. Hamid, S.A., Habib, A. Financial forecasting with neural networks. Academy of Accounting and Financial Studies Journal. 2014. Vol. 18(4). P. 37-55.
5. 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).
6. 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.
7. 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.
8. 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.
9. 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)
10. 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.
11. 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.
12. 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