PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Forecasting future values of time series using the lstm network on the example of currencies and WIG20 companies

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Prognozowanie przyszłych wartości szeregów czasowych z wykorzystaniem sieci lstm na przykładzie kursów walut i spółek WIG20
Języki publikacji
EN
Abstrakty
EN
The article presents a comparison of the RNN, GRU and LSTM networks in predicting future values of time series on the example of currencies and listed companies. The stages of creating an application which is a implementation of the analyzed issue were also shown – the selection of networks, technologies, selection of optimal network parameters. Additionally, two conducted experiments were discussed. The first was to predict the next values of WIG20 companies, exchange rates and cryptocurrencies. The second was based on investments in cryptocurrencies guided solely by the predictions of artificial intelligence. This was to check whether the investments guided by the predictions of such a program have a chance of effective earnings. The discussion of the results of the experiment includes an analysis of various interesting phenomena that occurred during its duration and a comprehensive presentation of the relatively high efficiency of the proposed solution, along with all kinds of graphs and comparisons with real data. The difficulties that occurred during the experiments, such as coronavirus or socio-economic events, such as riots in the USA, were also analyzed. Finally, elements were proposed that should be improved or included in future versions of the solution – taking into account world events, market anomalies and the use of supervised learning.
PL
W artykule przedstawiono porównanie sieci RNN, GRU i LSTM w przewidywaniu przyszłych wartości szeregów czasowych na przykładzie walut i spółek giełdowych. Przedstawiono również etapy tworzenia aplikacji będącej realizacją analizowanego zagadnienia – dobór sieci, technologii, dobór optymalnych parametrów sieci. Dodatkowo omówiono dwa przeprowadzone eksperymenty. Pierwszym było przewidywanie kolejnych wartości spółek z WIG20, kursów walut i kryptowalut. Drugi opierał się na inwestycjach w kryptowaluty, kierując się wyłącznie przewidywaniami sztucznej inteligencji. Miało to na celu sprawdzenie, czy inwestowanie na podstawie przewidywania takiego programu pozwala na efektywne zarobki. Omówienie wyników eksperymentu obejmuje analizę różnych ciekawych zjawisk, które wystąpiły w czasie jego trwania oraz kompleksowe przedstawienie relatywnie wysokiej skuteczności proponowanego rozwiązania wraz z wszelkiego rodzaju wykresami i porównaniami z rzeczywistymi danymi. Analizowano również trudności, które wystąpiły podczas eksperymentów, takie jak koronawirus, wydarzenia społeczno-gospodarcze czy zamieszki w USA. Na koniec zaproponowano elementy, które należałoby ulepszyć lub uwzględnić w przyszłych wersjach rozwiązania, uwzględniając wydarzenia na świecie, anomalie rynkowe oraz wykorzystanie uczenia się nadzorowanego.
Twórcy
  • Faculty of Telecommunications, Computer Science and Electrical Engineering, UTP University of Science and Technology, Al. prof. S. Kaliskiego 7, 85-796 Bydgoszcz, Poland
  • Faculty of Telecommunications, Computer Science and Electrical Engineering, UTP University of Science and Technology, Al. prof. S. Kaliskiego 7, 85-796 Bydgoszcz, Poland
Bibliografia
  • [1] Ashton M., 2016. What's Wrong with Money?: The Biggest Bubble of All. John Wiley & Sons.
  • [2] Based on https://colab.research.google.com/notebooks/intro.ipynb.
  • [3] Based on https://en.wikipedia.org/wiki/MACD.
  • [4] Based on https://histmag.org/Dolar-historia-zielonego-banknotu-15826/.
  • [5] Based on https://matplotlib.org.
  • [6] Based on https://numpy.org/doc/stable/user/whatisnumpy.html.
  • [7] Based on https://pandas.pydata.org/about/.
  • [8] Based on https://www.investopedia.com/terms/a/atr.asp.
  • [9] Based on https://www.revolut.com/legal/fees, option for premium customer.
  • [10] Deng, S., Sakurai, A., 2013. Foreign Exchange Trading Rules Using a Single Technical Indicator from Multiple Timeframes. 27th International Conference on Advanced Information Networking and Applications Workshops, 207–212.
  • [11] Hochreiter S., Schmidhuber J., 1997. Long short-term memory. Neural Computation 9(8), 1735–1780, Massachusetts Institute of Technology Press.
  • [12] Lewandowska M., 2017. Efekt stycznia i efekt grudnia na Giełdzie Papierów Wartościowych w Warszawie. Journal of Capital Market and Behavioral Finance 1(5), 17–28.
  • [13] Michael P., 2018. Retrieved from https://towardsdatascience.com/illustrated-guideto-lstms-and-gru-s-a-
  • [14] Muccino E., 6 march 2019, LSTM vs GRU: Experimental Comparison. Retrieved from https://medium.com/mindboard/lstm-vs-gru-experimental-comparison-955820c21e8b.
  • [15] Orac R., 28 september 2019, LSTM for time series prediction. Retrieved from https://towardsdatascience.com/lstm-for-time-series-prediction-de8aeb26f2ca.
  • [16] Peters E., 1997. Teoria chaosu a rynki kapitałowe WIG-Press Warszawa.
  • [17] Real currency prices based on data provided by Finance Yahoo, https://finance.yahoo.com/currencies.
  • [18] Real currency prices based on data provided by Finance Yahoo, https://finance.yahoo.com/cryptocurrencies.
  • [19] Real WIG20 companies shares prices based on data provided by the Stooq, https://stooq.pl/t/?i=532.
  • [20] Rundo F., 2019. Deep LSTM with Reinforcement Learning Layer for Financial Trend Prediction in FX High Frequency Trading Systems. Applied Sciences 9(20), 4460.
  • [21] Zawadzki A., Troska D., Domańska M., 2017. Anomalie kalendarzowe na Giełdzie Papierów Wartościowych w Warszawie. Journal of Capital Market and Behavioral Finance 1(5), 7–15.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-1dafea59-3f31-4c8b-a04a-edb2c1e0343f
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.