Forecasting Exchange Rates Using Neural Networks for Technical Trading Rules

Franses, Philip Hans; Griensven, Kasper van

doi:10.2202/1558-3708.1033

Cited by 24 publications

(12 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…NN zur Modellierung und Prognose von Zeitreihen wurden in zahlreichen Anwendungsgebieten eingesetzt, z.B. Sonnenfleckenzeitreihen (Weigend et al, 1990;Medeiros et al, 2006), Flugverkehrzeitreihen (Faraway und Chatfield, 1998), betriebswirtschaftliche Zeitreihen (Balkin und Ord, 2000), Zeitreihen zu Fangzahlen von Luchsen (Zhang, 2003;Kajitani et al, 2005), Elektrizitätsverbrauchszeitreihen (Darbellay und Slama, 2000;Hippert et al, 2001Hippert et al, , 2005, Aktien-und Wechselkurse (Weigend et al, 1990;Refenes et al, 1994;Franses und van Griensven, 1997).…”

Section: Neuronale Netze Zur Zeitreihenmodellierung Und -Prognose Imüunclassified

Prognose makroökonomischer Zeitreihen: Ein Vergleich linearer Modelle mit neuronalen Netzen

Köller¹

2014

View full text Add to dashboard Cite

This thesis examines the potential of neural networks (NN) for forecasting of macroeconomic time series in comparison with linear models. The emphasis is on the autoregressive neural network (ARNN) model, which can be seen as a generalisation of the conventional autoregressive (AR) model where the non-linear part is implemented by a neural network of the feedforward type.Among the properties of macroeconomic time series that motivate various adaptations and enhancements both of linear and of neural network methodology are the following: high stochasticity, short length, non-stationary and seasonal behaviour and the fact that the existence of non-linearity is not clearly known a priori. The development and evaluation of the methods is based on simulated time series with known non-linear properties and on two macroeconomic time series: Austrian unemployment rate and Austrian industrial production index. Both series are in monthly observations and are seasonally unadjusted.After the introduction, the first main chapter of the thesis summarizes the basic concepts of linear univariate time series analysis and applies the linear methodology to the two selected macroeconomic time series. Particular attention is devoted to the problem of finding the appropriate differencing filter -conventional differences, seasonal differences or both -as a way to induce stationarity. Amongst other methods unit root tests are employed. The used linear models are the autoregressive (AR) and the autoregressive moving average (ARMA) model. These are augmented by a model part for deterministic seasonality. The models estimated on the two time series have rather high model order and, despite using a sparse modelling technique, comprise relatively many coefficients.The second main chapter treats various theoretic aspects and types of nonlinearity and carries out a sequence of hypothesis tests for non-linearity, in order to be able to rate the possible benefits of applying neural network methods to the two selected time series. The results of these tests indicate the presence of non-linear structure of the additive type, which can be exploited for better forecasting with ARNN models. However, these results have to be interpreted with care, as they might bei compromised by non-linearity of the multiplicative type, residual linear structure and possible structural breaks.The third main chapter introduces the ARNN model and develops methods for its estimation and specification. The specification contains a model part of determistic seasonality, includes a linear part and allows for sparse specification of coefficients. The generalisation capability of the ARNN model is to be ensured by four alternative model building approaches: the statistical-parametric approach with hypothesis testing and pruning, the classical approach with early stopping, the approach with regularisation and the Bayesian evidence framework. For each one of these approaches modifications and additional heuristics are contributed that seem appropriate in view of the a...

show abstract

Section: Neuronale Netze Zur Zeitreihenmodellierung Und -Prognose Imüunclassified

Prognose makroökonomischer Zeitreihen: Ein Vergleich linearer Modelle mit neuronalen Netzen

Köller¹

2014

View full text Add to dashboard Cite

show abstract

“…최근 에는 기계학습 알고리즘에 기반을 둔 시스템트 레이딩의 진입규칙과 청산규칙을 찾는 연구가 활 발히 진행되고 있다. (Franses and Griensven, 1998, Fernando et al, 2000, Hamm and Brorsen, 2000, Dunis et al, 2009. 한국의 주식시장과 선 물시장에서도 투자를 위한 다양한 인공신경망 관련 연구가 진행되고 있다(Cho and Kim, 2003, Kim and Lee, 2008, Kim and Ahn, 2010, Kim, 2010, Choi et al, 2011, Lee and Oh, 2011, Park, 2011.…”

Section: 서론unclassified

Selection Model of System Trading Strategies using SVM

Park¹,

Kim²,

Choi³

2014

Journal of Intelligence and Information Systems

View full text Add to dashboard Cite

“…Jak však správně upozornili Franses a vanDijk (2006), tyto metody se zpočátku setkávaly s jistým skepticismem a teprve v posledních letech došlo k jejich uznání na základě řady provedených studií (Franses-vanGriensven, 1998). V naší analýze byla prokázána dobrá predikční schopnost několika vybraných indikátorů; přesvědčivé závěry však bude možno provést až po studiu více časových řad pomocí indikátorů s optimalizovanými hodnotami parametrů.…”

Section: Závěrunclassified

Selected Methods of the Prediction of PX Index Trend Reversal

Trešl¹

2011

Politicka ekonomie

View full text Add to dashboard Cite

Predikce budoucího vývoje fi nančních časových řad představuje jeden z nejobtížněj-ších problémů současné statistiky a ekonometrie (Franses, vanDijk, 2006;Kedem, Fokianos, 2002). "Klasické" časové řady, se kterými se setkáváme v přírodních a technických vědách, totiž vykazují zpravidla jednodušší průběh a lépe identifi kovatelné signály. Totéž platí i pro některé ekonomické časové řady, kdy je možno provést klasickou dekompozici a modelovat trend i sezónní složku. Naproti tomu u fi nanč-ních časových řad pozorujeme komplikované chování, změny volatility, časté body zvratu a náhlé změny směru trendu. Nepochybně je toto chování dáno superpozicí postojů a investičních strategií individuálních investorů. Zásadní potíž při modelování takových časových řad představují časové změny modelových parametrů a z toho vyplývající neúčinnost predikce prostou extrapolací. Přes nesporný pokrok v oblasti modelování autoregresní podmíněné heteroskedasticity a režimových změn (GARCH, modely s proměnlivými režimy) se zdá, že lepších výsledků bude možno dosáhnout aplikací metod umělé inteligence (McNelis, 2005;Gencay, Stengos, 1998). Obrázek 1 Časová řada vývoje indexu PX v období

show abstract

Forecasting Exchange Rates Using Neural Networks for Technical Trading Rules

Cited by 24 publications

References 25 publications

Prognose makroökonomischer Zeitreihen: Ein Vergleich linearer Modelle mit neuronalen Netzen

Prognose makroökonomischer Zeitreihen: Ein Vergleich linearer Modelle mit neuronalen Netzen

Selection Model of System Trading Strategies using SVM

Selected Methods of the Prediction of PX Index Trend Reversal

Contact Info

Product

Resources

About