Acta Univ. Agric. Silvic. Mendelianae Brun. 2005, 53(3), 109-116 | DOI: 10.11118/actaun200553030109
Vybrané aspekty modelování devizového kurzu pomocí neuronových sítí
- Ústav financí, Mendelova zemědělská a lesnická univerzita v Brně, Zemědělská 1, 613 00 Brno, Česká republika
Práce se věnuje třem vybraným aspektům modelování devizových kurzů pomocí umělých neuronových sítí. Vstupními údaji jsou klouzavé průměry o různé délce, požadovanou výstupní hodnotou je budoucí hodnota kurzu. Při učení byl použit Levenberg-Marquardtův algoritmus, který je charakteristický svojí vysokou rychlostí. U všech tří sledovaných devizových kurzů je kvalitnějších předpovědí dosahováno při nižším počtu neuronů ve skryté vrstvě. Tato skutečnost je zřetelná také u ostatních experimentů. Pomocí neuronových sítí je možné s úspěchem předpovídat také hodnotu kurzu v delším časovém horizontu.
Dosažené předpovědi růstu/poklesu kurzu (15min údaje) jsou při predikci budoucí hodnoty kurzu v čase t + 4 nepatrně horší než předpovědi v čase t + 1, avšak jsou výrazně kvalitnější než předpověď kurzu v čase t + 1 při použití 60min dat. Zjištění, že je vhodné předpovídat budoucí vývoj v delším časovém horizontu pomocí časových řad s kratšími intervaly představuje vhodnou oblast pro další zkoumání.
Poslední experiment se věnuje analýze vhodné délky učícího období. Při použití delších učících řad bylo u jednoho měnového páru dosaženo výrazně kvalitnějších předpovědí, u dvou měnových párů jsou dosažené výsledky při použití delšího učícího období mírně lepší. Lze konstatovat, že pro získání kvalitní předpovědi je třeba mít dostatečné množství učících vzorů.
předpovídání, devizový trh, neuronové sítě, backpropagation
Selected aspects of modelling of foreign exchange rates with neural networks
This paper deals with forecasting of the high-frequency foreign exchange market with neural networks. The objective is to investigate some aspects of modelling with neural networks (impact of topology, size of training set and time horizon of the forecast on the performance of the network). The data used for the purpose of this paper contain 15-minute time series of US dollar against other major currencies, Japanese Yen, British Pound and Euro. The results show, that performance of the network in terms of correct directorial change is negatively influenced by increasing number of hidden neurons and decreasing size of training set. The performance of the network is influenced by sampling frequency.
Keywords: forecasting, foreign exchange market, Neural networks, backpropagation
Received: December 19, 2004; Published: December 27, 2014 Show citation
References
- BISHOP, Ch. M.: Neural networks for pattern recognition, Oxford University Press, New York, 2002.
- DUNIS CH. L., WILLIAMS M.: "Modelling and Trading the EUR/USD Exchange Rate: Do Neural Networks Models Perform Better?" Derivatives Use, Trading and Regulation, 2002, No 8/3, 211-239
- KAMRUZZAMAN, J., SARKER, R.: "Forecasting of currency exchange rates using ANN: a case study", Proceeding of IEEE International Conference on Neural Networks & Signal Processing, 2003, 793-797.
Go to original source... - YAO, J., TAN, Ch. L.: 'A case study on using neural networks to perform technical forecasting of forex', Neurocomputing, 2000, 34, 79-98. DOI: 10.1016/S0925-2312(00)00300-3 Go to original source...
- ZIMMERER, T.: Künstliche Neuronale Netze versus ökonometrische und zeitreihenanalytische Verfahren zur Prognose ökonomischer Zeitreihen, Peter Lang, Frankfurt, 1997.
This is an open access article distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY NC ND 4.0), which permits non-comercial use, distribution, and reproduction in any medium, provided the original publication is properly cited. No use, distribution or reproduction is permitted which does not comply with these terms.