NEAT vs LSTM vs XGBoost. Three novel methods introduced and compared on forex trading

Abstract

Η πρόβλεψη χρονοσειρών αποτελεί πρόκληση στις χρηματοοικονομικές αγορές, ειδικά δε σε περιπτώσεις όπως της αγοράς συναλλάγματος (forex ή FX). Η πολυπλοκότητά του προβλήματος έχει οδηγήσει αρκετές έρευνες να επικεντρωθούν στην πρόβλεψη της κατεύθυνσης των κινήσεων αντί για την πρόβλεψη της τιμής, μια πρακτική που μπορεί να αποδειχθεί ανεκτίμητη για τους στρατηγικούς αναλυτές. Από την άλλη πλευρά, ο γενετικός αλγόριθμος της Νευρο Εξέλιξης των Διαφοροποιημένων Τοπολογιών (Neuro Evolution of Augmenting Topologies ή NEAT), ο οποίος θυμίζει τη θεωρία της γενετικής έξελιξης του Δαρβίνου, δεν έχει χρησιμοποιηθεί και δοκιμαστεί βιβλιογραφικά σε αυτού του είδους τα δεδομένα, αν και φαίνεται να διαθέτει προφανή πλεονεκτήματα σε σύγκριση με άλλες προσεγγίσεις. Στη βιβλιογραφία ωστόσο, το Νευρωνικό δίκτυο της Μακρυπρόθεσμης και Βραχυπρόθεσμης Μνήμης (Long Short-Term Memory or LSTM) επισημαίνεται ως μία από τις πιο αποδοτικές μεθόδους βαθιάς μάθησης για την αντιμετώπιση προβλημάτων πρόβλεψης χρονοσειρών. Ως εκ τούτου, η εστίαση αυτής της μελέτης είναι να εισάγει μια νέα εφαρμογή του NEAT και να τη συγκρίνει με ένα μοντέλο LSTM για την πρόβλεψη της κατεύθυνσης του ζεύγους του Ευρώ-Δολαρίου (EUR/USD). Επιπλέον, τα μοντέλα συγκρίνονται με μια εφαρμογή μηχανικής μάθησης XGBoost, η οποία σύμφωνα με τη πρόσφατη βιβλιογραφία φαίνεται να λειτουργεί καλά με δεδομένα χρηματιστηριακών αγορών. Τα αποτελέσματα έδειξαν ότι όλες οι προτεινόμενες προσεγγίσεις μπορούν να είναι ιδιαίτερα αποτελεσματικές στην πρόβλεψη της κατεύθυνσης της αγοράς συναλλάγματος. Αυτή η έρευνα είναι ενδεικτική του δυναμικού που έχουν οι προηγμένοι αλγόριθμοι στην αντιμετώπιση σύνθετων εργασιών, όπως η πρόβλεψη στις αγορές συναλλάγματος.