Prediction turning points in the FX market using machine learning methods

Ζήτης, Παύλος

dc.contributor.author	Ζήτης, Παύλος	el
dc.date.accessioned	2018-08-24T07:23:21Z
dc.date.issued	2018-08-24
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47445
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.8529
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Χρηματοοικονομικά	el
dc.subject	Πρόβλεψη Χρονοσειρών	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Συναλλαγματικές Ισοτιμίες	el
dc.subject	Σημεία Αντιστροφής Τάσης	el
dc.subject	Forex Market	en
dc.subject	Machine Learning	en
dc.subject	Turning Points	en
dc.subject	Finance	en
dc.subject	Forecast Time Series	en
dc.title	Prediction turning points in the FX market using machine learning methods	en
dc.contributor.department	ΜΑΘΗΜΑΤΙΚΗ ΠΡΟΤΥΠΟΠΟΙΗΣΗ σε ΣΥΓΧΡΟΝΕΣ ΤΕΧΝΟΛΟΓΙΕΣ και την ΟΙΚΟΝΟΜΙΑ	el
heal.type	masterThesis
heal.classification	Χρηματοοικονομικά	el
heal.dateAvailable	2019-08-23T21:00:00Z
heal.language	en
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2018-06-28
heal.abstract	Στην παρούσα μελέτη προτείνουμε ένα νέο υβριδικό μοντέλο με σκοπό την πρόβλεψη των σημείων αντιστροφής της τάσης των νομισματικών ισοτιμιών. Το μοντέλο εφαρμόστηκε σε τρείς από τις κυριότερες ισοτιμίες. Για τη δημιουργία του συγκεκριμένου υβριδικού μοντέλου συνδιάστηκαν τέσσερις διαδικασίες: μια τεχνική εξομάλυνσης, μια μέθοδολογία επιλογής χαρακτηριστικών, μια τεχνική βελτιστοποίησης και μια μέθοδος παλινδρόμησης η οποία βασίζεται σε ένα μοντέλο μηχανικά μάθησης. Πιο συγκεκριμένα, αρχικά αφαιρέθηκε ο θόρυβος της αρχικής χρονοσειράς των συναλλαγματικών ισοτιμιών με τη χρήση της μεθόδου EEMD, στη συνέχεια επιλέχθηκαν οι πιο σημαντικές μεταβλητές από μια μεγάλη ομάδα μεταβλητών με τη μέθοδο MARS. Το σύνολο των μεταβλητών ήταν δείκτες τεχνικής ανάλυσης. Οι επιλεγμένες μεταβλητές εισήχθησαν στο μοντέλο μηχανικής μάθησης SVR το οποίο παρήγαγε προβλέψεις όχι για τις τιμές των συναλλαγματικών ισοτιμιών αλλά για τον δείκτη που απεικονίζει τα τοπικά ακρότατα των τιμών των συναλλαγματικών ισοτιμιών και ονομάζεται δείκτης αντιστροφής. Οι βέλτιστες παράμετροι του μοντέλου SVR προσδιορίστηκαν χρησιμοποιώντας τη διαδικασία βελτιστοποίησης γενετικών αλγορίθμων GA. Μετά τη δημιουργία του υβριδικού μοντέλου, αναπτύχθηκε μια στρατηγική διαπραγμάτευσης η οποία συγκρίθηκε με την παραδοσιακή στρατηγική buy and hold. Τα εμπειρικά αποτελέσματα παρέχουν στοιχεία ενάντια στην υπόθεση της αποτελεσματικής αγοράς.	el
heal.abstract	In this study we propose and test a hybrid model to predict the turning points of three of the major exchange rates. In order to do this, four procedures were combined: a smoothing technique (initially applied in signal processing), a variable selection methodology, a parameter optimization technique and a regression estimation methodology from the field of machine learning (ML). More specifically, was removed the noise of the original exchange rate time series by using the ensemble empirical mode decomposition (EEMD) method,then the most significant variables from a large set of variables were selected with the multivariate adaptive regression splines (MARS) method. The amount set of variables were technical analysis indicators. The selected variables were inserted into the support vector regression (SVR) model that produce forecasts not for exchange rates prices but for the indicator which determines the peaks and troughs of the exchange rates and is called turning indicator. The optimal hyperparameters of SVR model were determined using the genetic algorithms (GA) optimization procedure. After the hybrid model was built, a trading strategy was developed and compared with the traditional buy and hold strategy. The empirical results provide evidence against the efficient market hypothesis for the selected foreign exchange markets.	en
heal.advisorName	Δότσης, Γεώργιος	el
heal.committeeMemberName	Τριανταφύλλου, Θανάσης	el
heal.committeeMemberName	Κόλλιας, Ηρακλής	el
heal.committeeMemberName	Δότσης, Γεώργιος	el
heal.academicPublisher	Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	37
heal.fullTextAvailability	true