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

Panagopoulos, Panagiotis; Παναγόπουλος, Παναγιώτης

dc.contributor.advisor	Filippakis, Michael
dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Panagopoulos, Panagiotis
dc.contributor.author	Παναγόπουλος, Παναγιώτης
dc.date.accessioned	2024-11-18T10:46:19Z
dc.date.available	2024-11-18T10:46:19Z
dc.date.issued	2024-09
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17076
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/4499
dc.description.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.	el
dc.format.extent	80	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
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.title	NEAT vs LSTM vs XGBoost. Three novel methods introduced and compared on forex trading	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Time series forecasting can be very challenging in financial markets especially in cases like the forex (FX) markets. Its complexity, led many researchers in the forecast of the direction of trade rather than the actual value, a measure that can be priceless for traders and strategists. On the other hand, since its introduction, the Neuro Evolution of Augmenting Topologies (NEAT), is a genetic evolutionary algorithm that has not been extensively used and tested in this type of data while it seems to have obvious advantages compared to other approaches. In reviewed literature, the Long Short-Term Memory (LSTM) is highlighted as one of the most efficient deep learning methods for dealing with time series forecast regression problems. Therefore, the focus of this paper is to introduce a novel application of NEAT and compare with an LSTM model to predict the direction of the EUR/USD. Moreover, these are compared with an XGBoost machine learning application that in recent literature seems to function well with stock market data. The results suggested, that all the proposed approaches can be very effective in the forecast of the direction of currency market. This research is indicative of the potential that advanced algorithms have in dealing with complex tasks like the prediction of FX.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής	el
dc.subject.keyword	Neuro Evolution of Augmenting Topographies (NEAT)	el
dc.subject.keyword	FX market	el
dc.subject.keyword	Foreign exchange market	el
dc.subject.keyword	Time series	el
dc.subject.keyword	LSTM	el
dc.subject.keyword	Currency	el
dc.subject.keyword	Trading	el
dc.subject.keyword	XGBoost	el
dc.subject.keyword	Deep learning	el
dc.date.defense	2024-09-02

Αρχεία σε αυτό το τεκμήριο

Name:: PPANAGOPOULOS_ME2122_MSc_Thesi ...
Μέγεθος:: 2.873Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα