Моделювання короткострокової динаміки валютних курсів з використанням глибоких нейронних мереж

Дербенцев Василь Джоржович
кандидат економічних наук, професор кафедри ін-форматики та системології, Київський національний економічний університет імені Вади-ма Гетьмана, м. Київ, Україна, e-mail: derbv@kneu.edu.ua, ORCID ID: https://orcid.org/0000-0002-8988-2526

Безкоровайний Віталій Сергійович
асистент кафедри інформатики та системології, Київський національний економічний університет імені Вадима Гетьмана, м. Київ, Україна, e-mail: retal.vs@kneu.edu.ua, ORCID ID: https://orcid.org/0000-0002-4998-8385

Овчаренко Андрій Анатолійович
старший викладач кафедри інформатики та сис-темології, Київський національний економічний університет імені Вадима Гетьмана, м. Київ, Україна, e-mail: ov_andrei@i.ua, ORCID ID: https://orcid.org/0000-0002-0729-4369

Цитувати статтю:

Дербенцев В. Д., Безкоровайний В. С., Овчаренко А. А. Моделювання короткострокової динаміки валютних курсів з використанням глибоких нейронних мереж. Науковий вісник Одеського національного економічного університету: зб. наук. праць; за ред.: Д.В. Завадська (голов. ред.). (ISSN 2409-9260). Одеса: Одеський національний економічний університет.2020.№ 3-4(276-277).С.153-163.

Анотація

Робота присвячена питанням короткострокового прогнозування валютних курсів за допомогою моделей глибокого навчання. З цією метою було побудовано модель глибокого навчання на основі синтезу нейронних мереж загорткового (CNN) та рекурентного (RNN) типу. Згорткова мережа виконує функцію вилучення ознак, а рекурентна мережа на основі моделі «довготривалої короткочасної пам’яті» (LSTM) здійснює безпосередньо прогноз. Проведено прогнозні розрахунки динаміки котирувань для валютних пар євро/долар (EUR/USD) та британського фунту (GBP/USD), а також для двох найбільш капіталізованих криптовалют (біткоіна – BTC/USD та ефіріума – ETH/USD) з використанням щоденних та чотиригодинних спостережень. Проведені комп’ютерні експерименти підтвердили перспективність застосування моделей глибокого навчання для задач короткострокового прогнозування часових рядів як фіатних, так і криптовалют.

Ключові слова

глибоке навчання, нейронні мережі, короткострокове прогнозування, часові ряди валютних котирувань, криптовалюти.

JEL classification: G170; DOI: 10.32680/2409-9260-2020-3-4-276-277-153-163

УДК: 004.942:[336.743]:519.868

Література

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