Πρόβλεψη Ισοτιμιών Συναλλάγματος Με Τη Χρήση Deep Belief Νευρωνικών Δικτύων

Forex Exchange Forecast Using Deep Belief Neural Networks (Αγγλική)

  1. Bachelor’s thesis
  2. ΑΦΡΙΔΗΣ, ΤΡΥΦΩΝ
  3. Πληροφορική (ΠΛΗ)
  4. 31 Ιουλίου 2017 [2017-07-31]
  5. Ελληνικά
  6. 71
  7. Γεωργόπουλος, Ε.
  8. DBN, Πρόβλεψη Ισοτιμιών – Χρονοσειρών, ReLUs
  9. 2
  10. 2
  11. 16
  12. Κείμενο, εικόνες, γραφήματα, πρόγραμμα σε γλώσσα Python
    • Η πρόβλεψη ισοτιμιών και χρονοσειρών γενικότερα είναι ένα ανοικτό πρόβλημα με μεγάλη σημασία, στον εκάστοτε τομέα εφαρμογής της, καθώς επηρεάζει την λήψη αποφάσεων σε κρίσιμα ζητήματα. Σε αυτήν την εργασία, παρουσιάστηκαν τα δημοφιλή νευρωνικά δίκτυα που χρησιμοποιούνται για πρόβλεψη χρονοσειρών και επιχειρείται η βιβλιογραφική ανασκόπηση των πιο πρόσφατων ερευνητικών εργασιών. Επιλέχθηκε η επιστράτευση ενός Deep Belief Network, ώστε να εκμεταλλευτούμε την ικανότητα αυτοοργάνωσης των παραμέτρων τους, όπως και την ταχύτερη εύρεση της βέλτιστης λύσης στα πιθανά δεδομένα εισόδου. Λόγω της φύσης των τιμών μιας ισοτιμίας (συνεχόμενες τιμές) επιλέξαμε Rectified Linear Units εκμεταλλευόμενοι την δυνατότητα αναπαράστασης συνεχόμενων τιμών στους νευρώνες του δικτύου, όσο και την εξαγωγή των συσχετίσεων των εισόδων με την έξοδο του DBN (την πρόβλεψη). Δημιουργήθηκε ένα γραφικό περιβάλλον χρήστη για την εκπαίδευση και τη χρήση ενός DBN, χρησιμοποιώντας λογισμικό ανοικτού πηγαίου κώδικα. Σε αυτό μπορούμε να επιλέξουμε την αρχιτεκτονική του DBN, να το εκπαιδεύσουμε σε ισοτιμίες της αρεσκείας μας και φυσικά να προβλέψουμε τιμές ισοτιμιών εισάγοντας καινούργια δεδομένα. Έγινε αξιολόγηση του μοντέλου που προτείναμε σε δύο πραγματικές ισοτιμίες (USDvsEURO και GBPvsEURO) με ενθαρρυντικά αποτελέσματα. Επιπρόσθετα συγκρίθηκε με ένα FFNN με ReLUnits αντίστοιχης αρχιτεκτονικής και όπου ήταν δυνατόν ακολουθήθηκαν πανομοιότυπες διαδικασίες. Η προεκπαίδευση ενός DBN αποδείχθηκε αποτελεσματικότερη στην πρόβλεψη ισοτιμιών με συνεπή καλύτερα αποτελέσματα από το FFNN.
    • Forecasting values of a time-series, and especially Forex exchange values, is a challenging task of big importance. The forecast value can be used to take important decisions, relative to the time-series field, that can affect economy, property or even life-threatening situations. Artificial neural networks have been used extensively to forecast time-series values in the past, and there is a great amount of research bibliography, that in this paper, try to summarize and analyze. More precisely, we focus on the relatively new “method” of Deep Belief Networks (DBN) that can be combined with a traditional Feed Forward Neural Network (FFNN), and let DBN self train and adjust the parameters on its network, before the finetuning, for a better result in the forecast. Forex input data are in continuous form, but DBNs have been used with binary data, so to overcome this problem we construct a DBN of Noisy Rectified Linear Units (NreLU) which are able to represent continuous data and even learn and represent hidden relation between the input data and the output. For this purpose we also created a graphical user interface for a user with the ability to train and use a DBN, use custom data from a csv file or download the data from the EKT site, and finally encased the program with the ability to tweak its parameters of the training process. (Parameters like learning rate, number of input nods etc). The program was created with open source tools. For evaluation purposes we tested the proposed Deep Neural Network with two Forex exchange rates, EUROvsUSD and EUROvsGBP, and the results seemed very promising. Furthermore, we decided to compare the DBN with an FFNN. In this comparison every factor, that was possible, remained the same (input data, model architecture, learning rates etc) and the only difference was the pre-training procedure of the DBN. The results showed better performance of the DBN in forecasting the exchange rate with smaller diversity in the foretasted values.
  14. Hellenic Open University
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.