Робота присвячена питанням короткострокового прогнозування валютних курсів за допомогою моделей глибокого навчання. З цією метою було побудовано модель глибокого навчання на основі синтезу нейронних мереж загорткового (CNN) та рекурентного (RNN) типу. Згорткова мережа виконує функцію вилучення ознак, а рекурентна мережа на основі моделі «довготривалої короткочасної пам’яті» (LSTM) здійснює безпосередньо прогноз. Проведено прогнозні розрахунки динаміки котирувань для валютних пар євро/долар (EUR/USD) та британського фунту (GBP/USD), а також для двох найбільш капіталізованих криптовалют (біткоіна – BTC/USD та ефіріума – ETH/USD) з використанням щоденних та чотиригодинних спостережень. Проведені комп’ютерні експерименти
підтвердили перспективність застосування моделей глибокого навчання для задач короткострокового прогнозування часових рядів як фіатних, так і криптовалют.
This paper is devoted to the short-term predicting of exchange rates using Deep Learning
approaches (DL). The undeniable advantage of using deep networks is their ability to find
hidden complex nonlinear patterns in the data, as well as to identify influential factors (carry out
automatic feature extraction). For this purpose, the DL models were built on the basis of Convolutional
(CNN) and Recurrent (RNN) Neural Networks. The CNN block performs the function of
feature extraction, and the RNN which based on the Long-term Short-term Memory (LSTM) performs
the forecast. For parameters estimating and testing the models we used daily and four
hourly observations of currencies Euro/Dollar, British pound/Dollar, and cryptocurrencies
(Bitcoin and Ethereum) for the period from 02/01/2015 to 12/31/2020 according to the service
Yahoo Finance. As input data, we used open prices (Open), minimum (Low), maximum (High),
and close prices (Close) for the corresponding timeframe. In the experimental section we compared
the performance of the designed models using both daily and four-hour data sets. The accuracy
of the forecasting performance was assessed by the values of the Mean Absolute Percentage
Error (MAPE), which allows comparing forecast errors for different assets and models. In
addition, the Mean Square Error (MSE) and the Root Mean Square Error (RMSE) were also calculated.
The highest accuracy (in the sense of the MAPE metrics) was for the EUR/USD – about
0.4% for both daily and for-hour data sets. More volatile GBP/USD quotes show a larger error
on both daily and four-hour quotes. But in general, an increase in the number of observations in
four-hour time series reduces the model error for EUR/USD and GBP/USD. The results of the
cryptocurrencies forecast turned out to be less accurate: 5.9% and 8.5%, respectively. Our study
showed the prospects of using DL networks such as CNN and LSTM to predicting the short-term
exchange rates. According to obtained results proposed models provide an efficient forecast for
both fiat and cryptocurrencies.
