Forex forecasting with Support vector regression and Long short-term memory recurrent neural network

Abstract

V posledních letech se obor strojového učení rozvíjel předtím nevídaným tempem. Následkem toho jsou i jeho četné aplikace zaměřené na předpověď vývoje cen devizového trhu. Autoři v nich většinou porovnávají neuronové sítě s lineárními modely. Přínos naší práce spočívá v obsáhlém porovnání dvou metod strojového učení, SVM regrese (SVR) a LSTM neuronové sítě (LSTM RNN), v předpovědi jednorozměrných minutových časových řad šesti vysoce obchodovaných měnových párů. V první analýze naše práce zkoumá přesnost obou metod v předpovědi následující hodnoty v závislosti na měnící se dimenzi vstupu. V druhé analýze zkoumáme jak metody predikují delší časové úseky, což je umožněno použitím rekurentní verze SVR. V první analýze je LSTM RNN většinou několikrát více přesné než SVR. Přesnost SVR je robustní vůči proměnné dimenzi vstupu, hodnoty LSTM RNN os- cilují napříč dimenzemi vstupu. Ve druhé analýze LSTM RNN většinou poráží SVR v řádu desetinásobků. S narůstajícím horizontem předpovědi se přesnost SVR zhoršuje ale přesnost LSTM RNN zůstává stejná. 1

In the last years, the field of machine learning boomed. That led to its numerous forecasting applications on prices of Foreign exchange market. Re- searchers there mostly compare neural networks to linear model baselines. The contribution of this thesis consists of a comprehensive performance com- parison between two promising machine learning methods, Support vector regression (SVR) and Long short-term memory recurrent neural network (LSTM RNN), in the forecasting of six highly traded currency pairs on one minute univariate time series data. First, it analyses methods' performances in the forecasting of one step ahead price while varying input dimensions of these methods. Next, it examines how methods perform in longer forecasts, that enabled by using a recurrent version of SVR. In the first analysis, LSTM RNN outperforms SVR in most of the cases several times. Performance of SVR is robust to varying input while LSTM RNN's performance fluctuates across dimensions. In the second analysis, LSTM RNN beats SVR mostly by order of magnitude. With increasing forecasting horizon, SVR's performance gets worse and LSTM RNN's performance remains stable. 1